WalkGPT: Grounded Vision-Language Conversation with Depth-Aware Segmentation for Pedestrian Navigation
歩行者ナビゲーションのアクセシビリティ向上を目的として、既存の視覚言語モデルが抱える物体の幻覚や深度推定の不確実性を解消し、単一アーキテクチャで言語推論とセグメンテーションを統合した新しいモデル「WalkGPT」と、大規模なベンチマークデータセット「PAVE」を提案する論文です。
💻 Category
cs
3447 件の論文
Believing vs. Achieving -- The Disconnect between Efficacy Beliefs and Collaborative Outcomes
この論文は、AI との協働における人間の「自己効力感」と「AI への信頼」が実際のチームパフォーマンスに直結しない「AI 楽観バイアス」の存在を実証し、単なる透明性の提供ではなく、文脈に応じた設計指針の必要性を提唱しています。
Early-Stage Cancer Biomarker Detection via Intravascular Nanomachines: Modeling and Analysis
この論文は、非一様な血流や赤血球との相互作用など現実的な血管環境をシミュレーションに組み込むことで、血管内ナノマシンを用いたがんバイオマーカーの早期検出の可行性を評価し、その結果、毛細血管があらゆるナノマシンサイズにおいて最も高い検出確率を示すことを明らかにしたものである。
FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model
FutureVLA は、視覚情報と動作情報を構造的に分離しつつ物理的常識を統合する「Joint Visuomotor Predictive Architecture」を提案し、時連続性と視覚条件付き監督の脱結合を実現することで、既存のビジョン・言語・動作モデルの予測能力を向上させる。
MAVEN: A Meta-Reinforcement Learning Framework for Varying-Dynamics Expertise in Agile Quadrotor Maneuvers
この論文は、メタ強化学習フレームワーク「MAVEN」を提案し、単一のポリシーが質量変化やローター推力損失といった多様な動的変化に対して、シミュレーションから実世界へのゼロショット転移を可能にする適応的な高速マニピュレーションを実現することを示しています。
ASTER: Attitude-aware Suspended-payload Quadrotor Traversal via Efficient Reinforcement Learning
本論文は、非滑らかなハイブリッド力学や極端な報酬の希薄さという課題を克服し、ハイブリッド力学に基づく状態初期化戦略（HDSS）を導入することで、ケーブル吊り下げ型クアッドコプターによる自律的な逆転飛行を世界で初めて実現した強化学習フレームワーク「ASTER」を提案しています。
Sublinear-Time Reconfiguration of Programmable Matter with Joint Movements
本論文は、アモエボット構造の並列移動（ジョイントムーブメント）モデルにおいて、補助的な仮定なしに任意の構造をラウンドで線形構造へ再構成するサブリニア時間普遍再構成アルゴリズムを初めて提案し、このモデルが補助仮定なしに効率的な再構成を可能にすることを示した。
eLasmobranc Dataset: An Image Dataset for Elasmobranch Species Recognition and Biodiversity Monitoring
この論文は、絶滅危惧種である板鰓類（エラスモブランチ）の保全と生物多様性モニタリングを支援するため、地中海東部沿岸の 7 種を対象に、陸上環境で収集された高品質な画像と専門家による注釈を備えた「eLasmobranc Dataset」を公開し、微細な形態分類を可能にする新たなリソースを提供したことを報告しています。
Just-in-Time: Training-Free Spatial Acceleration for Diffusion Transformers
この論文は、拡散トランスフォーマーの推論コストを削減するため、時間的領域ではなく空間的冗長性に着目し、学習不要で最大 7 倍の高速化を実現する新たなフレームワーク「Just-in-Time (JiT)」を提案しています。
Pneuma-Seeker: A Relational Reification Mechanism to Align AI Agents with Human Work over Relational Data
本論文は、LLM の曖昧な指示による誤答を解消し、信頼性と検査可能性を高めるため、ユーザーの情報ニーズを関係スキーマとして再具体化（リリアイフィケーション）し、それを基に実行可能なプログラムを生成する AI エージェント「Pneuma-Seeker」を提案し、その有効性を示したものである。
Event-based Photometric Stereo via Rotating Illumination and Per-Pixel Learning
本論文は、回転する単一光源とイベントカメラ、およびキャリブレーション不要の軽量ピクセルごとのニューラルネットワークを組み合わせることで、環境光や高光沢の影響を受けにくい高精度なイベントベースのフォトメトリックステレオ手法を提案し、既存手法より平均角度誤差を 7.12% 削減する成果を示しています。
AttriGuard: Defeating Indirect Prompt Injection in LLM Agents via Causal Attribution of Tool Invocations
本論文は、LLM エージェントの間接プロンプトインジェクション攻撃を、外部観測を制御してツール呼び出しの因果的必要性を検証する「アトリガード」というランタイム防御手法により、高い検出精度と適応攻撃への耐性をもって防ぐことを提案しています。
CodePercept: Code-Grounded Visual STEM Perception for MLLMs
この論文は、STEM 分野の視覚推論における MLLM の限界が推論能力ではなく知覚能力にあることを発見し、実行可能なコードを知覚の媒体として活用する「CodePercept」を提案し、100 万組の画像・説明文・コードのデータセットと、画像復元コード生成による厳密な評価ベンチマークを導入することでこの課題を解決しようとするものです。
RAGPerf: An End-to-End Benchmarking Framework for Retrieval-Augmented Generation Systems
本論文では、RAG パイプラインの各コンポーネントをモジュール化し、実世界のワークロードをシミュレートしながら、パフォーマンスと精度を包括的に評価できるエンドツーエンドのベンチマークフレームワーク「RAGPerf」の設計と実装を提案しています。
Aceso: Carbon-Aware and Cost-Effective Microservice Placement for Small and Medium-sized Enterprises
本論文は、中小企業が直面する地域限定インフラ環境において、炭素排出量、コスト、遅延制約を同時に考慮し、洞察に基づく探索空間剪定技術を用いてマイクロサービスを動的に配置する「Aceso」を提案し、実環境での評価により既存の静的配置と比較して炭素排出量を37.4%、運用コストを3.6%削減しながらサービスレベル目標を維持できることを示しています。
AI-Generated Rubric Interfaces: K-12 Teachers' Perceptions and Practices
この研究は、K-12 教師が MagicSchool.ai を活用した AI 生成評価基準の導入に関するワークショップに参加した結果、AI が下書き作成や基準の明確化に有用である一方、文脈への適合性や編集のしやすさ、教師の管理権の維持が課題として認識され、条件付きの導入意向を示したことを明らかにしています。
Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape
本論文は、IoT ネットワークにおける変化する脅威環境下で、カテゴリー忘却を抑制しつつリソース制約を満たすために、CICIoMT2024 データセットを用いて LSTM ベースの逐次フェデレーティング学習アプローチを評価し、累積的学習や代表性学習が最も安定した性能を示すことを明らかにしたものである。
Guiding Diffusion Models with Semantically Degraded Conditions
この論文は、拡散モデルの条件付きガイダンスにおいて、従来の意味的に空虚なヌルプロンプトの代わりに、トランスフォーマーのコンテンツトークンを戦略的に劣化させた条件を用いる「条件劣化ガイダンス（CDG）」を提案し、追加の学習や外部モデルなしに複雑な構成的タスクの精度を大幅に向上させることを示しています。
Phase-Interface Instance Segmentation as a Visual Sensor for Laboratory Process Monitoring
透明ガラス器具内の弱い境界や光学アーティファクトに起因する化学実験の監視課題に対し、新規データセット「CTG 2.0」と LGA-RCM-YOLO モデルを提案し、高精度かつリアルタイムな液相・気相界面のインスタンスセグメンテーションを実現することで、実験自動化のための実用的な視覚センサーとして機能することを示した。
The Quadratic Geometry of Flow Matching: Semantic Granularity Alignment for Text-to-Image Synthesis
本論文は、フローマッチングにおける最適化ダイナミクスを二次形式として分析し、勾配競合を緩和する「セマンティック・グラニュラリティ・アライメント（SGA）」を提案することで、テキストから画像への生成タスクにおける収束速度と構造的完全性の向上を実現することを示しています。