タイムライン検索

2026年5月29日

人間の協調は、戦略的行動を通じて他者の信念に影響を与える能力に依存している。マルチエージェント強化学習では、対戦相手形成がこの影響を複製しようとしているが、既存の方法は通常、対戦相手のパラメータ、ポリシー、または価値空間内で動作している。

arXiv cs.AI

2026年6月1日

arXiv:2605.30456v1 科学と工学の多くの学習タスクはスパースなデータセットが特徴であり、純粋なデータドリブンアプローチの有効性を制限しています。同時に、これらの問題には物理法則、運用要件、専門家の直感から導出された豊富なドメイン知識が伴うことが多くあります。

arXiv cs.LG

2026年6月2日

自動微分可能非線形テンソルネットワーク（ADNTN）を研究します。これはコンパクトなコアテンソルが逆モード自動微分（AD）によってエンドツーエンドで訓練される構造化重み生成器の一族です。このアプローチは低ランク適応とテンソル因数分解の自然な拡張と見なすことができます。

arXiv cs.LG

2026年6月8日

本研究は、対称的な疑似ブール(PB)制約を伴うブール充足可能性問題の解法アプローチとして、並列連続局所探索(CLS)を検討する。n変数のPB充足可能性問題は、n次元超立方体上の微分可能な目的関数を持つ連続最適化問題に緩和される。充足可能なインスタンスについて、この最適化問題の大域的最小化子はSAT問題の充足割り当てに対応する。経験的実験を通じて、以下の新知見を提示する:(i)冗長制約は収束を加速させるのではなく阻害する可能性がある、(ii)CLSはハイブリッド設定での部分ソルバーとして有望であり、部分割り当てを迅速に完成させる、(iii)鞍点密度の高い目的関数により局所探索はソリューション品質(充足度)の安定分布に急速に収束し、追加のソルバーステップは限定的な効果しか得られない。本知見は、現代のアクセラレータハードウェア上のSATに対するCLSの実践的利用に有用である。

arXiv cs.AI

2026年6月19日

網膜は、認知機能低下リスクに関連する微細な構造パターンを捉え、神経変性疾患への非侵襲的な窓を提供します。REVEALのような視覚言語アラインメントフレームワークは、網膜眼底画像と構造化された臨床リスク記述をペアにすることで、アルツハイマー病（AD）の早期予測を改善することが示されています。これらのアプローチにおける重要な設計上の選択は、表現型グルーピングの使用であり、リスクプロファイルが類似した個人が、対照学習中にマルチポジティブペアとして扱われます。しかし、既存の方法では、表現型の類似性を離散的な構成概念として具体化し、硬いグループ割り当てに依存しており、これは厳格な監視を課し、グループ形成を表現学習から切り離します。本研究では、対照学習における表現型構造の連続的な定式化を提案します。サンプルを固定クラスターに割り当てるのではなく、網膜画像とリスクプロファイルの両方におけるモダリティ内埋め込み類似性から導出される微分可能な重み付け関数として、被験者間の類似性をモデル化します。

arXiv cs.AI

2026年7月9日

音声テキストアラインメントとは、音声中の各単語の時間的境界を見つけることを指します。一部のモデルはこのようなアラインメントを直接提供しますが、そうでないモデルもあります。CTC（Connectionist Temporal Classification）やトランデューサーモデルは、構築上アラインメントを持ちますが、AED（Attention-based Encoder-Decoder）や音声LLM（Large Language Model）はそうではなく、単語のタイミングは通常、アテンションの重みから読み取られます。これらの信号はすべてエンコーダーフレームグリッド上に存在し、その時間的精度を制限します。本研究では、あらゆる微分可能なASRモデルに適用できる、汎用的な勾配ベースのアラインメントを検討します。各教師強制トークンの対数確率の勾配を、入力に対して計算し、フレームごとの顕著性（saliency）に削減し、結果の行列を単一の動的計画法パスで単語境界にデコードします。

arXiv cs.CL

2026年7月13日

ARCANAは、厳格なテスト時間とハードウェアの制約下でARC AGI 2タスクを解決するための協調型マルチエージェントフレームワークです。ARCANAは、各タスクを知覚、仮説生成、記号実行、反射的洗練の反復に分解します。知覚的グラウンディングエージェントは生データグリッドからオブジェクト中心のシーングラフを構築し、潜在プログラムポリシーは多様なDSLプログラムを提案し、記号実行エージェントはデモンストレーションで候補を検証し、反射エージェントは次のターンに向けた失敗駆動型フィードバックを合成します。これらのエージェントは、共有の微分可能ブラックボードを介して通信し、学習されたメタコントローラーによってスケジュールされます。この設計は、構造化されたプログラム検索と適応型マルチターン修正を組み合わせ、挑戦的な抽象変換タスクにおける推論効率とソリューションの品質を向上させます。

arXiv cs.AI