出典・テーマ・日時から、気になるニュースを見つけられます。
arXiv:2610.33065v1 発表タイプ：新規 要旨：頭皮上の記録はノイズが多く、空間的に粗く、試行間および被験者間で変動するため、EEGによる視覚デコーディングは依然として困難である。多くのシステムでは、各試行を高密度な画像埋め込みに位置合わせしているが、その埋め込みには意味内容と、インスタンス固有のテクスチャ・姿勢・背景が混在している。このような手法では、EEGには存在しない詳細情報を必要とする上、予測を支える視覚的要因について明示的な説明を提供していない。そこで私たちは、共有可能な学習可能な視覚コードブックに基づくソフトな合成としてEEG–画像の位置合わせを再定式化する、プロトタイプ媒介型フレームワークである\textbf{ProtoEEG}を提案する。学習可能なEEGエンコーダーと固定された視覚教師が、同一の$K=64$個のプロトタイプに対する割り当て分布を生成し、それらの重み付けされた再構成が構造化された表現を形成する。
arXiv:2610.32997v1 発表タイプ：新規 要旨：OpenAIのWhisperなどの自動音声認識（ASR）モデルは、音声認識の精度を大幅に向上させていますが、特に大量のトランスクリプト付き音声データが利用可能な場合でも、ファインチューニングには高いコストがかかります。そのため、多くの実務者がこれらのモデルを新たな言語や領域に適応させるのは困難です。本研究では、ASRのファインチューニングに用いるためのより小規模な学習セットを選択する、埋め込みベースのサブセット選択手法を提案します。Whisperの事前学習済みエンコーダを用いて、各音声サンプルを固定次元の埋め込み空間へ写像し、貪欲なk-センター法を適用して、多様で代表性のある学習データのサブセットを選び出します。本手法をヘブライ語およびデンマーク語に対して評価した結果、k-センター選択はしばしば
arXiv:2610.33005v1 発表タイプ：新規 要旨：エネルギー基盤モデルは、ドメイン固有のタスクにおいて有望な特性を示しているものの、汎用的なシナリオのモデリングには依然として課題が残っています。このギャップを埋めるため、私たちは基礎的な言語モデリング向けにエネルギー駆動型モデル（ESM）を設計しました。ESMは、エネルギーによる探索を活用してトークン生成を精緻化するため、エネルギー駆動とトークン生成を単一のアーキテクチャに統合しています。具体的には、まずエネルギー景観上での潜在状態を最適化し、次いでその精緻化された潜在状態を用いてトークン生成を行います。大規模コーパス上でこのようなエネルギー駆動型の事前学習を実施することで、ESMは一般的に有効なエネルギー景観を学習し、好ましいトークンが低いエネルギー値に対応することを確立します。ESMのスケーリング特性を検討するため、私たちはESMを事前学習させます
arXiv:2610.33044v1 発表タイプ：新規 要旨：身体を備えた視覚言語モデルは、部分的で変化する観測情報から質問に答える必要がある。その成功は、選択される推論能力と、それに利用可能な証拠の両方に依存する。専門家ルーターは内部計算を適応させる一方で、ツール拡張型システムは外部証拠を獲得する。これらを独立に選択すると、適切な専門家が必要な証拠を持たない状況が生じる可能性がある。そこで我々は、能力専門家、オプション知識、知覚ツールを統合的に選択する制限付きフレームワークであるEKT-Routerを提案する。結果に基づくシグネチャーは、一般推論、空間推論、時空間推論の各専門家の重なり合う強みを表現する。共同ユーティリティは、呼び出し予算の下で完全な専門家–証拠経路のスコアリングを行う。取得後、パケット検証器が有効なものを承認する
arXiv:2610.32103v1 発表タイプ：新規 要旨：創薬において、リード最適化では、透過性の向上や毒性の低減といった相反する特性を改善しつつ、リードの活性を損なう可能性のあるスケルトン変更を抑制しなければなりません。C-MORAL などの強化学習ベースのポストトレーニング手法は、分子言語モデルを微調整することで、関心のある目的に対して分子リードを直接最適化するというアプローチを採用していますが、これには高価なタスク固有のデータセットが必要であり、多目的最適化（MOO）の実現にも課題が伴います。我々は、事前学習済みモデルには、ゼロショット生成では効率的に到達できない有用な分子編集がすでに含まれている可能性があると主張します。ゼロショット生成の探索能力の限界に着目し、我々は効率的なメトロポリス・ハスティングス探索戦略を開発し、ベット
arXiv:2610.33019v1 発表タイプ：新規 要旨：マルチモーダルエージェントが持続的な相互作用を行う際、長期記憶は細かな証拠の想起と、全体的理解のための内面化された解釈という、二つの明確でありながら補完的な機能を果たす。エピソード記憶と潜在記憶はそれぞれ、明示的な履歴記録と内面化された経験を通じてこれらの要求に応えているものの、エピソード記憶における証拠の網羅性と統合性、そして潜在記憶における事実の基盤形成という限界により、タスク間で多様な記憶特性を十分に捉えることはできない。このギャップを埋めるために、我々はデュアルメモリフレームワークを提案する。これは、モデル固有の潜在記憶を直感的な事前知識として統合し、同時に、検索条件に基づいた共同アライメントによって正確な証拠の再構築を可能にする多インデックス型エピソード記憶を組み合わせたものである。At i
arXiv:2610.32431v1 発表タイプ：新規 要旨：視覚・言語・行動（VLA）のロールアウトが失敗したとしても、すべての行動が失敗に寄与したわけではない。しかし、グループ相対方策最適化（GRPO）では、ロールアウト中の全行動に対して単一の軌道レベルの優位性が割り当てられるため、本来有用な復旧試行すら、それらが修正しようとする誤りとともにペナルティを受ける可能性がある。失敗フィードバックにおける理想的な停止条件は、成功確率および方策スコアのマルチンゲールを用いて特徴付けられる。これらの停止点において、除去された勾配寄与は、保持された情報条件下で条件付き期待値がゼロとなる。したがって、切り捨てによって参照となるGRPOのグループ勾配推定器の期待値は維持され、その共分散を低減できる。このような停止の一つは、成功の条件付き確率が
arXiv:2610.31726v1 発表タイプ：新規 要旨：効果的な人間と機械のチーム編成には、予測不可能な人間のパートナーと協調できるエージェントが必要である。実際の人間からのリアルタイムフィードバックや大規模な行動データセットを用いた強化学習はコストが高く、一方で純粋にシミュレーションによる訓練では、人工的な慣例に過剰適合してしまい、現実の人間とのゼロショット協調において失敗してしまう。そこで私たちは、認知的に制約されたパートナーに対してチームエージェントを学習させるためのフレームワークを提案する。このフレームワークでは、報酬設計や過去の学習チェックポイントに依存せず、人間の生理学的文献に基づく手続き的制約—特に反応遅延や知覚上の限界—から生じる多様性を持つシミュレートされたパートナーを用いる。改良版のLunar Lander環境において、これらのパートナーはより…のように振る舞うという予備的な証拠を報告する。
2026年10月26日にarXivに掲載された（番号2610.31820v1）AI研究論文は、価値ベースの強化学習（value-based RL）で訓練された大規模言語モデル（LLMs）について、既存のCriticモジュールが追加の学習やデータなしで、高精度かつ高信頼性の信頼度推定器として利用可能であることを示している。
注目する理由：本研究は、信頼度推定と強化学習におけるCriticの学習が、正しさの評価基準の下で数学的本質において等価であることを明らかにし、さらに十数の分野（数学、コード、ツール呼び出し、汎用推論）にわたる実証を通じて、Criticを再利用する手法の有効性と一般化能力を示した。この成果は、LLMの信頼性の高い導入・運用のハードルを低減するうえで、直接的な工学的価値を有している。
arXiv:2610.31966v1 発表タイプ：新規 要旨：文脈内学習におけるデモンストレーションは、多くの場合、意味的類似性によって取得されるが、これは構造化予測における関連性を示すには不十分な代理指標となり得る。本研究では、POSシグネチャー方針を用いてユニバーサル・ディペンデンシーズの構文解析におけるデモンストレーション選択を検討する。この方針は文を重み付けされた品詞統計で表現し、ラベル付き訓練分割から長さが一致するゴールド解析済みの例を3つ取得する。さらに、ファインチューニングを行わないオープンウェイト言語モデル2種をUD英語Web Treebankテストセットの全2,077文に対して評価し、ショット数およびフォーマットが一致する固定および意味的3ショットベースラインに加え、ゼロショット、チェーンオブソート、クリティックリファインメントシステムとも比較した。POSシグネチャーによる取得が最も高いラベル付きアタ
arXiv:2610.32237v1 発表タイプ：新規 要旨：現代の金融市場において、大口取引の4分の3以上は、従来の人間トレーダーに比べて高い精度と速度を実現するための高度な取引戦略に基づくアルゴリズム取引によって執行されている。価格ベースの指標に焦点を当てた従来の戦略では、社会的センチメントや政治的不安定性、あるいは急激な経済変動といった現実世界の事象から生じる市場のダイナミズムを捉えるには不十分である。ディープ強化学習（DRL）の台頭とデータの入手可能性に伴い、こうした外部要因を取引戦略に組み込める、より効率的なアルゴリズムが求められている。DRLは、DRLエージェントが自動的に…
arXiv:2610.31894v1 発表タイプ：新規 要旨：近年のスパースオートエンコーダー（SAE）は、大規模言語モデル（LLM）の表現を解釈可能な特徴量に分解し、符号化された知識の精密な読み出しと制御を可能にしています。しかし、既存のSAEは各特徴量を独立した単位として扱う一方で、現実世界の知識はしばしば階層的に分類されています。その結果、読み出しには分類上の整合性が保証されず、制御においても編集の適用範囲を細かく指定する粒度が欠けています。そこで私たちは、is-a（上位語―下位語）関係に基づいて分類情報を明示的にSAEの特徴空間に符号化するTaxoSAEを提案します。TaxoSAEは、分類体系を模倣して各階層に対応するSAEを積み重ねる構造を採用し、各概念が対象となる階層に存在する場合にのみ活性化されるよう学習させるための分類整列損失を導入しています。
arXiv:2610.32389v1 Announce Type: new Abstract: Trajectory transfer from rollout to training affects both learning quality and system efficiency in large language model reinforcement learning (RL). Enforcing batch-wide training requirements can delay the admission of completed trajectories, resulting in higher architectural staleness: the additional parameter-version gap from disaggregated pipelining relative to colocated execution. Beyond admission, misalignment between data access and training consumption causes redundant movement and unnecessary waiting when transferring large trajectory payloads. We present KnitTrans, a system that coordinates the rollout-to-training path through three designs. First, constraint-preserving mini-batch admission allows flexibility in early mini-batch com
翻訳待ち・原文を表示中 · enarXiv:2610.31846v1 発表タイプ：新規 要旨：知的エージェントは自らの過ちから学び、経験を通じて継続的な改善を図るべきである。しかし、今日のエージェントは過ちから回復してもその効果は一時的でしかない。文脈内での振り返りはセッション間で容易に忘れられ、限られたコンテキスト資源と競合する一方で、パラメータ全体を再調整する手法はコストが高く、既存の能力に干渉するおそれがある。そこで私たちは、一時的な文脈内リトライと方策更新の利点を組み合わせた、エージェントが過ちから学ぶための仕組み「Self-Direction」を提案する。エージェントがタスクに失敗した際、自身の行動経路を振り返って教訓を抽出し、それを即座に軽量な低ランクアダプターへと凝縮する。元の重みを固定しておくことで、Self-Directionはアダプターの学習による過剰な上書きを防ぐ。
arXiv:2610.32241v1 発表タイプ：新規 要旨：従来のヒューリスティック手法は、空間利用率や3Dビンパッキングのレイアウトのコンパクトさといった核心的な目標において、人為的に設計されたルールベースの論理に依存することで成熟した経験を蓄積してきました。しかし、これらには一般化能力や動的シナリオへの適応性という面で顕著な限界が見られます。強化学習の空間探索能力と拡散学習のデータ分布モデリング能力を統合した拡散強化学習は、行動分布のモデリングや意思決定の遵守制約の面で一定の進展を遂げています。それでもなお、3Dビンパッキングにおける空間のトポロジカル構造に対する十分な認識の欠如や、レイアウト最適化能力の限定といった課題が残されています。
arXiv:2610.31687v1 Announce Type: new Abstract: Large language models are increasingly used to simulate and probe human behavior, e.g., for surveys. For these applications, a key property is that outputs satisfy distributional alignment: to match its output distribution with some reference (in this case, human) distribution. An obstacle in achieving distributional alignment is generalizing from small training data. In this work, we study (1) how to distributionally align LLMs; and (2) how aligned LLMs might generalize to unseen samples and unrelated topics and tasks. Using two large-scale benchmarks, we find that LLMs can indeed achieve distributional alignment and generalize to unseen questions of the same domain. Cross-topic generalization depends on the relationship between topics (e.g.
翻訳待ち・原文を表示中 · enarXiv:2610.31911v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）がますます長いシーケンスを処理するようになると、アテンションは主要な計算上のボトルネックとなります。スパースアテンションは主に推論段階を対象としていますが、多くの手法は依然として密に学習を行ったり、スパースな学習をサポートできなかったりします。さらに、それらの手法は追加の複雑さを伴うため、スパース性を実際の実行時間の短縮へと結びつけるのが難しく、結果として実用的には密なアテンションが広く用いられています。本論文では、アテンションの学習は後方パスに大きく依存しているという観察に基づき、前方は密に、後方はスパースに実装する新しいアテンション手法であるLazyFlashを提案します。LazyFlashは前方パスを完全に密に保つため、学習後のモデルは従来の密なモデルのままであり、vLLMなどの既存システムでも一切の変更なしにサービス可能です。一方、後方パスについては、LazyFlashは勾配を
arXiv:2610.32034v1 発表タイプ：新規 要旨：軌道上デブリの増加に伴い、能動的なデブリ除去や軌道上サービスへの関心が高まっており、これらの分野においては、単腕システムに比べて二腕型宇宙用マニピュレーターの方が把持安定性と荷重分布の面で優れている。しかし、腕間の衝突回避、姿勢の整合、センサの不確実性といった条件下で二つのマニピュレーターを協調させるのは依然として困難である。本論文では、腕間の衝突回避制約を課した目標到達タスクにおいて、二腕型宇宙用マニピュレーターの協調運動計画を行うための協調強化学習フレームワークを提案する。集中型の状態表現は、関節空間情報、エンドエフェクター情報、および目標相対情報を統合し、多目的報酬関数は目標到達を促進する。
2026年10月24日、arXivは論文arXiv:2610.30435v1を公開し、既存の検索強化型大規模言語モデルにおいて、検索エージェントが検索状態を認識する能力を欠いているという問題を解決することを目的とした、自己評価強化学習（SARL）フレームワークを提案しました。
注目する理由：本研究は、検索強化型大規模言語モデルが複雑なタスクにおいて、既知または欠落した情報を認識できないことから生じるハルシネーションによる推論や探索の早期終了という重要な課題に対し、テスト時の追加評価を必要としないエンドツーエンドの強化学習手法を提案し、マルチジャンプ推論および深層研究のベンチマークにおいて顕著な性能向上を実現しました。
研究者は2026年10月24日、arXivに論文（番号2610.30860v1）を公開し、自発的なポッドキャスト環境向けのネパール語–英語コードスイッチングASRベンチマークを初めて提案しました。このデータセットには13,044件の実際の文（総計15.45時間分）が含まれており、さらに合成音声から実際の音声への二段階適応手法を設計しました。具体的には、まず0.95時間分の多話者TTS合成音声による監督下での微調整を行い、次いでスクリプト付き報酬を用いたグループ相対方策最適化（GRPO）を導入しています。
注目する理由：本研究は、低資源言語間のコードスイッチングにおけるASRにおけるスクリプトの混同と切り替えポイントの誤り率の高さという核心的な課題に正面から取り組み、厳格なデータ監査により機械翻訳による漏洩や音響ループを防止するとともに、検証用テキスト、タイムスタンプ、エピソードメタデータおよび再構築スクリプトをすべて公開しています。実験結果は統計的に有意であり（p≤0.001）、単言語ベースラインにおいて汎化安定性も確認されています。
