タイムライン検索

2026年5月8日

HeadsUpと呼ばれるスケーラブルなフィードフォワード手法を提案します。大規模マルチカメラセットアップから高品質の3Dガウシアンヘッドを再構成するもので、効率的なエンコーダ-デコーダアーキテクチャを採用しています。

Apple Machine Learning Research

2026年5月19日

NVIDIAベラ・ルービンNVL72による1トークンあたり10分の1のコストでのエージェンティックAI推論。エージェント・サンドボックスはNVIDIAベラで従来のCPUより50%高速に実行され、エンタープライズデータクエリは最大3倍高速です。

NVIDIA Blog

2026年5月27日

このポストでは、LangGraphエージェントをオーケストレーターとして統合し、Amazon Bedrock AgentCore Memoryと連携させて、AWS上に高度にスケーラブルでサーバーレスなマルチエージェント生成AI システムを構築するソリューションを提供しています。

AWS Machine Learning Blog

2026年5月29日

arXiv:2605.29218v1 文書の発表。言語モデルをブラウジングおよびツール使用機能と組み合わせたWebエージェントは、オープンなWebアシスタントとしての可能性を示していますが、スケーラブルなプロセスレベルの監督の不足により進展が制限されています。既存のベンチマークは主に手動で構築されており、粗い開始ゴール注釈のみを提供しています。

arXiv cs.AI

2026年5月29日

理論的な約束にもかかわらず、スケーラブルな監視プロトコルとしてのディベートは混合した実証結果をもたらしています。いくつかの設定では利益を得ていますが、特に審査官が隠された情報を持たない場合は、他の設定では効果がありません。より強いディベーター・より弱い審査官の設定で提案者批評家ディベートを研究しました。

arXiv cs.CL

2026年6月1日

LLMジャッジは人間による評価に代わるスケーラブルな手法ですが、既存のルーブリックベースの方法は参照回答や専門家が作成したルーブリックなどの人間が注釈を付けたデータに依存しています。人間の注釈なしに細粒度の評価ルーブリックを自動生成する、訓練不要な方法を提案します。

arXiv cs.CL

2026年6月2日

大規模言語モデルがより強力になるにつれて、弱い教師は複雑な出力に対して信頼できるラベル、選好、または最終判断を提供できず、弱から強への汎化とスケーラブルな監督の両方を制限する可能性があります。より扱いやすい弱い教師を使用する形式を研究します。

arXiv cs.AI

2026年6月3日

アマゾン・ウェブ・サービス（AWS）は、軽量AI モデル「Amazon Nova 2 Lite」を活用したオブジェクト検出システムの実装方法を公開した。Amazon Bedrock、AWS Lambda、Amazon API Gatewayを組み合わせることで、スケーラブルな画像認識アプリケーションの構築が可能になるという。 同システムは効率的なプロンプト設計とJSON形式での結果出力に対応。処理結果の可視化機能も備えており、開発者は検出対象物の位置情報や信頼度スコアを容易に取得できる。 実用例として、製造業における品質管理、農業での作物監視、ロジスティクス業界での在庫管理など多岐にわたる分野での活用が想定されている。Nova 2 Liteの軽量性により、低遅延かつ低コストでの運用が実現でき、エッジコンピューティング環境での導入も可能だ。 このソリューションは、AI導入を検討する企業が実装の複雑性を低減させ、迅速にサービス展開するための一助となると考えられる。 （AWS Machine Learning Blog）

AWS Machine Learning Blog

2026年6月4日

本記事では、Amazon SageMaker JumpStartでNEXUSの使い始め方を紹介し、デプロイプロセスについて説明し、エンタープライズデータセットに対して予測を実行する方法を実演します。

AWS Machine Learning Blog

2026年6月4日

このポストでは、Amazon Bedrock Ops Alertを紹介します。これは3層の自動監視ソリューションで、運用上の問題を積極的に検出し、アラームしきい値を動的に調整し、アラームをカテゴリ別に分類し、コンテキストを認識したサポートケースを自動作成し、同じアラームカテゴリの未解決ケースが既にアクティブな場合の重複ケース作成を防止し、AI SREチームへのコンテキスト化された通知を配信します。

AWS Machine Learning Blog

2026年6月10日

arXiv:2606.09853v1 新規発表 要旨：マルチモーダル学習の中心的な目的は、シナジー（複数のモダリティの共同利用からのみ生じ、単一のモダリティからは利用できない、タスク関連情報）を捉えることです。ほとんどのアプローチは、より大きく複雑なフュージョンモデルを通じたアーキテクチャレベルで動作しますが、我々は補完的な軸として、トレーニング目的自体を形成することを提案します。標準的なトレーニングは、しばしば単峰性または冗長な情報を強調し、クロスモーダル推論を必要とする例では不十分です。我々は情報理論を通じてマルチモーダルシナジーを形式化し、シナジーを直接ターゲットとするスケーラブルな目的であるシナジスティック情報ボトルネック（SynIB）を導入します。シナジー学習を優先するために、SynIBはモデルがすべてのモダリティから正確に予測することを動機付け、同時にいずれかのモダリティからの情報が抑制された場合に自信を罰します。

arXiv cs.LG

2026年6月11日

知識発見における重要なステップは、データマイニング結果の評価です。パターンマイニング、グラフ解析など、いくつかのアプリケーションでは、このステップには結果の統計的有意性の評価が含まれ、ノイズやデータのランダムな変動のみによる偽の発見を避けます。特定のアプリケーション向けに特殊な手順が開発されていますが、リサンプリングベースのアプローチが広く使用されており、特に解析結果を導き出せない複雑な解析で利用されています。しかし、現在のリサンプリングベースのアプローチでは、数千の再サンプリングされたデータセットの生成と解析が必要であり、大規模データセットや計算負荷の高い解析には実用的ではありません。 本論文では、偽発見の確率について厳密な保証を持つデータマイニング結果の統計的有意性を評価するための、シンプルかつ効果的なリサンプリングベースのアプローチであるFewRSを紹介します。このアプローチは、リサンプリングベースのアプローチが適用されるあらゆる状況で使用できます。FewRSは、データマイニング結果の品質を表すテスト統計量の最大偏差に対する新規な境界の導出に基づいています。

arXiv cs.LG

2026年6月12日

本稿では、Amazon Bedrockとその機能によって強化された、AWS上でのコスト効率が高くスケーラブルなインテリジェントドキュメント処理パイプラインの開発について概説します。BDAはAmazon Bedrock内のマネージドサービスであり、ドキュメントからのインサイト抽出を自動化します。BDAがドキュメントコンテンツを抽出し分析する方法を実証します。

AWS Machine Learning Blog

2026年6月16日

大規模コーパスでのエージェント検索は、スケーラブルな候補発見のためにリトリーバーを介したインターフェース（例：BM25またはColBERT）に依存しています。これらのインターフェースは関連文書を効果的にランキングしますが、証拠をランキング結果または制限された文書ビューとしてのみ提示するため、エージェントが素材を再編成したり、文書間の制約を検証したりする能力を制限します。直接コーパスインタラクション（DCI）は、柔軟な検索、フィルタリング、比較、検証のためのシェル実行可能なコーパス操作を公開することで、この制限に対処します。しかし、コーパスが成長するにつれて、フルコーパスのターミナルコマンドは遅くなり、不安定になるため、パフォーマンスと効率が低下します。本研究では、リトリーバー誘導型DCIフレームワークであるDR-DCIを提案します。これは、検索をローカルワークスペースを拡張するためのエージェント呼び出し可能なアクションとして扱います。エージェントは、フルコーパスを直接操作するのではなく、関連文書を動的に進化するワークスペースにプルし、その中でDCI操作を実行します。

arXiv cs.AI

2026年6月17日

研究成果の再現性を評価するためのスケーラブルなフレームワークReproRepoを導入しました。 人間が作成したGitHubのIssueを再現性の問題点に関する自然な監視として活用しています。 本研究では、LLMエージェントがコードを実行せずに再現性の問題を特定できることを示しました。

arXiv cs.AI

2026年6月18日

Amazon Bedrock AgentCoreは、エージェントの構築、接続、最適化のためのプラットフォームです。本日は、その新機能を紹介します。これらの新機能は、エージェントを組織、Web、有料の知識に接続し、チームが本番環境で問題を発見・修正するのを支援し、エージェントの能力向上に合わせてスケーラブルな制御を強制することで、各ギャップを埋めます。

AWS Machine Learning Blog

2026年6月19日

生成AIを活用した推薦システムが進化する中で、ユーザーの過去の行動履歴から次の行動を予測する新たな手法に注目が集まっています。従来のシステムでは、複雑なユーザー行動パターンやアイテムが持つ意味合いを十分に捉え、推薦モデルに組み込むことが困難でした。 こうした課題に対し、最新の研究では、包括的なグラフベースのアプローチを取り入れたスケーラブルなフレームワーク「G2Rec」が提案されています。このフレームワークは、ユーザーの興味に関する分散した情報を整理し、トークン化することで、推薦システムがより詳細なユーザーコンテキストを理解し、次のインタラクションを高い精度で予測できるようにすることを目指しています。G2Recのような新しい技術が実用化されれば、私たちの日常生活における製品やコンテンツの推薦が、これまで以上に個々のニーズに合った、よりパーソナライズされたものになることが期待されます。 引用元: arXiv cs.AI

arXiv cs.AI

2026年6月23日

大規模言語モデル（LLM）の信頼性の高い制御を実現するには、LLMが言語的手がかりをどのように解釈するかを正確かつスケーラブルに理解する必要があります。本研究では、モデルのパフォーマンスに対する個々の形容詞の誘導効果を定量化するためにシャプレー値を用いた厳密なフレームワークを導入し、逸話的なヒューリスティックを超えた原則的な貢献分析を行います。この手法をMMLUベンチマークにおいて多様なモデル（o3、gpt-4o-mini、phi-3、llama-3-70b、deepseek-r1を含む）の100個の形容詞に適用し、AIアライメントに関するいくつかの重要な発見を明らかにします。第一に、形容詞の小さなサブセットが不均衡に強力な「レバー」として機能しますが、その効果は普遍的ではないことがわかります。モデル間分析は「ファミリー効果」を明らかにします。共有された系統を持つモデルは相関する感度プロファイルを示しますが、アーキテクチャ的に異なるモデルはほとんど相関しない方法で反応し、万能なプロンプト戦略の概念に挑戦します。

arXiv cs.CL

2026年6月24日

定性的な製品フィードバックはニュアンスのあるユーザー体験を明らかにしますが、その隠れた感情を測定することは困難です。本論文では、大規模言語モデル（LLM）を使用して、このようなデータから製品の望ましさを定量化する、スケーラブルで解釈可能なフレームワークを提案します。ZORQとCARMAの2つのProduct Desirability Toolkit（PDT）データセットを使用し、106の回答者タームグルーピングをゴールドスタンダードの人間によるアノテーションで評価し、明示的なレビュー評価に依存せずに、ゼロショット連続数値感情スコアリングとカテゴリ感情分類を評価します。データセット全体で、LLMは定性的な回答から直接数値感情スコアを生成し、専門家のラベルに非常に近く、ピアソン相関係数は最大0.97、分類精度は最大94%を達成しました。LLMは、複数の形式で提示されたデータを処理しても堅牢性を維持し、一貫して高い信頼性を示しました。対照的に、辞書ベースおよびトランスフォーマーベースラインでは統計的に有意な結果は得られませんでした。

arXiv cs.CL

2026年6月25日

Huntington Bankは、4億件以上の文書から個人識別情報（PII）およびPayment Card Industry（PCI）データを検出し、削除するためのスケーラブルなAWSソリューションを構築しました。これにより、処理時間を数年から数ヶ月に短縮し、95%以上の削除精度を達成した方法を解説します。

AWS Machine Learning Blog

2026年6月26日

本記事では、本番稼働するエージェンティックAIに必要な、安全でスケーラブルなデータ基盤を提供する、ガバナンスが効いたサーバーレスのデータメッシュをAWS上に構築する方法を紹介します。

AWS Machine Learning Blog

2026年7月1日

Amazon Bedrock AgentCoreを活用し、AIエージェントのための生成ユーザーインターフェース（UI）を構築する新たな方法が注目されています。CopilotKitというツールを用いることで、開発者はインタラクティブで動的なエージェントフロントエンドを容易に開発できるようになります。 CopilotKitは、AIエージェントの応答を基に自動生成されるUI機能を提供します。これにより、ユーザーはより直感的にAIと対話できるようになります。さらに、複数ユーザー間での状態共有や、必要に応じて人間が介入するシナリオにも対応可能です。これらの機能はすべて、Amazon Bedrock AgentCore上で動作するため、スケーラブルでセキュアな環境でのAIエージェント開発が実現します。この技術は、AIエージェントの応用範囲を広げ、より洗練されたユーザー体験を提供する可能性を秘めています。 (AWS Machine Learning Blog)

AWS Machine Learning Blog

2026年7月1日

推論時の大規模言語モデル（LLM）の信頼性向上は、テキストからSQLへの変換のような構造化推論タスクにおける中心的な課題です。Best-of-Nサンプリングや多数決などの一般的なテスト時推論戦略は、実行成功や出力頻度などのヒューリスティックな信号に依存していますが、候補出力間の意味的な識別能力は限られています。本研究では、テキストからSQLへの変換におけるテスト時検証のための学習済み意味スコアリング関数として、成果報酬モデル（ORM）を検討します。ORMは以前からテスト時のスケーリングやアライメントに検討されてきましたが、構造化クエリ生成への応用は十分に探求されていませんでした。自動化された候補生成と実行ベースのラベリングによるタスク固有ORMのトレーニングのためのスケーラブルなフレームワークであるGradeSQLを導入し、手動アノテーションなしでの検証器トレーニングを可能にします。ORMを検証駆動型Best-of-Nパイプラインに統合し、複数のオープンソースLLMファミリーにわたるBIRDおよびSpiderベンチマークでアプローチを評価します。

arXiv cs.CL

2026年7月2日

アイジングモデルに基づく熱力学コンピューティングデバイスは、低電力AI推論およびエッジコンピューティングに大きな可能性を示していますが、そのようなハードウェア向けの大型モデルのトレーニングにはスケーラブルな方法が限られています。先行理論では、高温ギブズサンプリングされたアイジングシステムの時間平均動作がフィードフォワードニューラル推論を実装できることが示されています。この理論的対応を、アイジングマシンハードウェアでの熱力学推論のためにディープ畳み込みネットワークをトレーニングするための、スケーラブルかつ純粋なバックプロパゲーションベースのアルゴリズムに転換します。当社の画像分類モデルは、バイナリギブズサンプリング下でCIFAR-10で94.9%、CIFAR-100で76.0%の精度を達成します。次に、推論コストと精度の関係を記述する数学的理論を開発し、実験的に検証し、自己相関時間を制御します。続いて、推論コストがパフォーマンスとの十分に制御されたトレードオフによって制約されることを示す漸近結果を計算し、最適な推論スケジュールを計算するためのアルゴリズムを示します。

arXiv cs.LG

2026年7月7日

Webは複雑で、オープンエンドで、常に変化しており、ビジュアルWebエージェントのトレーニングデータをスケーリングすることが困難になっています。既存のデータ収集の試みは、教師ありファインチューニングのためのオフライン軌道、またはRLトレーニングのための少数のシミュレーション環境に限定されており、Webの多様性を捉えられていません。

Apple Machine Learning Research

2026年7月7日

大規模言語モデル（LLM）やコーディングエージェントはUI開発に頻繁に利用されますが、開発者は視覚デザインやインタラクションデザインにおけるその習熟度を確実に評価することが困難です。既存の評価手法は、クリティカルなフローをテストすることでユーザビリティを正確に評価できるものの、遅くコストがかかる人間の専門家に依存するか、スケーラブルであるものの精度が低く不透明な自動評価者に頼るかのいずれかです。

Apple Machine Learning Research

2026年7月7日

最近の生成モデルは高品質な合成画像を生成でき、データ飢餓状態のモデルのためのスケーラブルなトレーニングデータを提供します。この可能性を活用するための既存のアプローチは、通常、1）ジェネレーターのトレーニングまたはファインチューニング、または2）プロンプトエンジニアリングや推論時ガイダンスのような軽量な事後適応の使用を含みますが、これらはジェネレーター固有で専門知識を必要とします。私たちは補完的な質問を研究します。固定された生成画像プールが与えられた場合、情報に基づいたサブセットを選択するだけで、下流の有用性を向上させることができるでしょうか？答えはイエスです。効果的な選択は、最新のジェネレーターの構造的バイアスに対抗する必要があることを示します。それは、各クラスの標準的なモードを過剰に生成し、クラス内バリエーションを過小評価する傾向があります。この洞察に基づき、各実クラスを標準的な均質（HO）サブセットと冗長でない異質（HE）サブセットに分割し、次に意味的な整合性を報酬し、標準的な冗長性を罰する忠実度-多様性基準によって合成画像をスコアリングします。

arXiv cs.LG

2026年7月8日

急速な都市化が進むインドのような途上国では、詳細な社会経済情報が不足し、都市内の格差把握が困難です。本研究は、オープンソース衛星画像から得られる建物の形態情報を用いた、スケーラブルなグリッドベースの都市区分フレームワークを提案します。インドの59都市のグリッドを形態指標で特徴づけ、スコアリングすることで都市の豊かさのレベルを区分します。Googleストリートビューによる検証では、区分されたクラス間の鮮明な対比が示され、ライフスタイルの豊かさ指標と一致する結果が得られました。

arXiv cs.CL

2026年7月8日

教師なしグラフクラスタリングは、大規模ネットワークにおける潜在的な意味パターンを明らかにするための基本的な技術です。Graph Contrastive Learningは有望な性能を示していますが、既存の方法はミニバッチトレーニング中に「構造的孤立」の問題を抱えることが多く、グローバルなトポロジー分布を特徴づける凝集したコミュニティ構造の捉えが困難です。これらの課題に対処するため、コミュニティ認識サンプリングと制約付き構造的エントロピーを連携させることで構造的完全性を維持する、スケーラブルな教師なしグラフクラスタリングフレームワークであるSCISEを提案します。具体的には、まず、制約付き解空間内で構造情報を最適化し、コミュニティの断片化を緩和し、パーティションの凝集性を強化するStructural Entropy Community Constraint (SECC) 演算子を導入します。

arXiv cs.LG

2026年7月9日

エージェントベースモデリング（ABM）は、数百万の個人とその相互作用をモデル化する能力を持ち、政策立案に役立ちます。しかし、従来のABMは静的な事前情報に依存していたため、リアルタイムの変化に適応できませんでした。本研究は、この情報ギャップに対処するための新しいアプローチを提供します。大規模言語モデル（LLM）は、人間の意思決定を予測する新たな機会を提供します。ここでは、ABMシミュレーションにおける人間の意思決定を予測するためにLLMを活用する、スケーラブルなハイブリッド・エージェントベース・アンド・ランゲージ・ドリブン・エピデミック（HALE）モデリングフレームワークを導入します。概念実証として、HALEを用いてユタ州ソルトレイク郡におけるCOVID-19とその影響をシミュレーションします。

arXiv cs.AI