3768 件の論文
この論文は、単一エージェントの能力拡張（深度スケーリング）の限界を補完するため、マルチエージェント強化学習を用いて並列実行を最適化する「WideSeek-R1」を提案し、小規模モデルでも大規模単一モデルに匹敵する広範な情報探索タスクでの性能向上と、並列エージェント数の増加に伴う一貫した性能改善（幅スケーリングの有効性）を実証しています。
この論文は、量子リザーバコンピュータの固定された量子特徴マップに対して、カーネル法を用いて最適な測定演算子を導出する手法を提案し、画像分類や時系列予測などのタスクにおいて予測誤差を最小化し、大規模な量子システムにおける効率的な実装を可能にするものである。
Prometheus フレームワークを拡張し、3 次元古典系および量子多体系における相転移の無教師発見を実現し、3 次元イジングモデルの臨界温度や臨界指数の高精度な同定、量子臨界点の検出、さらに無秩序系におけるエキゾチックな無限乱数臨界性の発見を通じて、解析解が存在しない物理領域における相図探索の汎用性を確立しました。
この論文は、事前学習済みモデルをスパース化すると精度が低下する問題を解決するため、密な事前学習と再帰的学習を組み合わせることで、推論時に任意の疎なパターンに柔軟に切り替え可能でありながら高密度モデルと同等の精度を維持する「RAT+」というアーキテクチャを提案しています。
本論文は、自己教師あり音声モデルが、音声特徴に対応する線形ベクトル方向を学習しており、これらのベクトルの演算やスケーリングによって音韻論的な関係（例：有声・無声の連続性）を捉える「音韻ベクトル演算」が可能であることを、96 言語にわたる包括的な研究で実証したものである。
質量スペクトルから分子構造を直接推定する新しい生成モデル「MSFlow」を開発し、従来の手法と比較して最大 14 倍の精度向上を実現したことを報告する論文です。
本論文は、マルチモーダル大規模言語モデルの強化学習において、分布認識型の利点重み付けと非対称活性化関数という 2 つのメカニズムを導入し、専門家のガイダンスによる制御可能な探索を実現することで、エントロピー崩壊や過剰な搾取を回避し、探索と活用の安定したバランスを達成するハイブリッド方策 RLVR フレームワーク「CalibRL」を提案するものである。
本論文は、マルチセンサー衛星データと自己教師あり学習を用いたビジョントランスフォーマーモデル「ECHOSAT」を提案し、10m 解像度で時間的整合性を持つ全球的な樹冠高さマップを生成することで、森林動態の把握や炭素収支の算定精度を向上させることを目指しています。
この論文は、Prometheus 変分オートエンコーダ枠組みと縮約密度行列アプローチを組み合わせることで、波動関数の完全なアクセスが計算不可能な場合でも、フラストレーションを伴う-ハイゼンベルク模型の中間相を教師なしで発見し、スケーラブルな量子相転移解析の道筋を示したものである。
本論文は、DNA 配列の長さの延伸ではなく、標的遺伝子近傍のマルチモーダルなエピゲノム信号を、混同効果を軽減するバックドア調整を用いて適切に統合する「Prism」というフレームワークを提案することで、短い配列でも最先端の遺伝子発現予測精度を達成することを示しています。
本論文は、リソース制約のあるロボット向けに、ゼロショットおよびワンショット適応を用いた小規模言語モデル（SLM）のリーダー・フォロワー役割分類を評価し、ファインチューニングされたモデルが低遅延かつ高精度な役割割り当てを実現できる一方で、対話の複雑さが増すと性能が低下するトレードオフを明らかにしたものである。
本論文は、マスター重みの分割と 8 ビット最適化状態の量子化誤差を低減するコンパンド関数を導入することで、モデル品質を損なわずにパラメータあたりのメモリ使用量を 50% 以上削減し、AdamW などのオプティマイザのメモリ要件を大幅に低下させる「FlashOptim」という最適化スイートを提案しています。
この論文は、引用グラフ上の各ノードで局所的なリーマン計量を学習し、測地線距離に基づく幾何学的な意味検索を行う「Geodesic Semantic Search (GSS)」を提案し、従来の手法と比較してリコールを大幅に向上させつつ、解釈可能な引用経路の提供と計算コストの削減を実現したことを報告しています。
この論文は、LLM による相互評価（LLM-as-a-judge）において、バイアスのかかった判断モデルが意図せずとも選好ラベルを通じて学生モデルに行動特性を伝達しうる「潜在信号」の存在を明らかにし、超人的 AI の監視にはこの伝達を検知・軽減する仕組みが必要だと主張しています。
この論文は、敵対的な合意設定における大規模言語モデル（LLM）ベースのエージェント群の協調を評価した結果、敵意がない環境であっても合意の達成が不安定であり、特にグループ規模の拡大や悪意あるエージェントの存在により失敗（主にライブネスの喪失）が支配的となることを示し、現在の LLM エージェント群による信頼性の高い協調への依存に警告を発しています。
この論文は、推論能力を活用して大規模言語モデルの意見整合性を向上させる手法を提案し、米欧スイの政治データで有効性を示しつつも、バイアスの完全除去にはさらなる仕組みが必要であると結論付けています。
本論文は、並列ベイズ最適化において既存手法が抱える実用性や理論保証の課題を克服し、低計算コストと非同期処理への対応を維持しながら、ランダム化クリギング・ビリーバー法を提案し、そのベイズ期待後悔の保証を実証したものである。
この論文は、文字列データ向けに編集距離（Levenshtein 距離）を改良した局所外れ値因子法と、階層的左正則表現学習に基づく新しい正則表現推定法の 2 つの外れ値検出アルゴリズムを提案し、それぞれのデータ構造や外れ値の性質に応じて有効性が異なることを実証的に比較検討したものである。
この論文は、実世界の国際制裁データから構築された大規模なエンティティマッチングベンチマーク「OpenSanctions Pairs」を公開し、既存のルールベース手法を大幅に上回る精度で LLM が機能することを実証するとともに、今後の研究の焦点をペアマッチングからブロッキングやクラスタリングなどのパイプライン構成要素へシフトさせる必要性を提言しています。
本論文は、ニューラルオペレータのモジュール構造（リフティング・伝播・復元）を活用し、リフティング段階にのみ確率的摂動を注入することで、計算効率と空間的忠実性を両立した構造化エピステミック不確実性推定手法を提案し、複雑な偏微分方程式の surrogate モデルにおける信頼性の高い不確実性評価を実現することを示しています。