タイムライン検索

2026年6月1日

arXiv:2605.30479v1 ラベル空間が無制限の可能性がある普遍的推移的オンライン分類の問題を考察する。この設定はオンライン学習を考慮し、インスタンスの列（ラベルなし）が学習者に事前に既知である。概念クラスが学習可能とは学習アルゴリズムが存在することを意味する。

arXiv cs.LG

2026年6月2日

AWS GPUインスタンスへの大規模言語モデル(LLM)のデプロイを繰り返している場合、GPUのHigh Bandwidth Memory(HBM)にロードするモデルが大きいほど、長い時間がかかることに気付いているでしょう。

AWS Machine Learning Blog

2026年6月2日

AWS環境でLLM（大規模言語モデル）を運用する際の課題に対応する新たな技術アプローチが注目を集めている。GPUインスタンスへのモデル読み込みに要する時間短縮が、これまでの実運用における課題だった。 AWSが提案する解決策は、GPUDirect、Amazon FSx for Lustre、TurboQuantの3つの技術を組み合わせるもの。これらを活用することで、モデルをGPUメモリへ転送する速度を大幅に高速化できる。結果として、より大規模なパラメータ数を持つモデルの推論準備時間が短縮され、LLMが処理可能なテキスト長を示すコンテキストウィンドウの拡大も実現可能となる。 この技術統合により、複雑な推論タスクや長文処理が必要なユースケースでの対応能力が向上する見通しだ。クラウド環境でのAI推論効率化に向けた実装例として、今後の導入が期待されている。 （引用元：AWS Machine Learning Blog）

2026年6月2日

NVIDIAは、COMPUTEXでエッジAIプラットフォーム「Jetson」の最新版アップデートを発表しました。 新バージョン「JetPack 7.2」では、自律的に判断・実行するエージェンティックAI機能が追加されます。これにより、ロボットや産業機器などの現場でより複雑なタスクを自動化できるようになります。 主な改善点として、CUDA 13の搭載により計算性能が向上し、Jetson AGX Orin 32GBモデルの処理能力も強化されました。また、Linuxの組込み向けプロジェクト「Yocto」への対応により、カスタマイズ性が広がります。複数のAIタスクを同時実行できるマルチインスタンスGPU機能も実装されました。 さらに、NemoClaw対応により、音声認識や自然言語処理などのAI機能との統合も容易になります。 これらの強化により、製造現場から医療、自動運転まで、幅広い産業でエッジAI活用が加速すると期待されています。 （引用元：NVIDIA Blog）

NVIDIA Blog

2026年6月5日

Codex の Remote Connections で OCI Compute インスタンス上のプロジェクトを活用 対象: Codex Desktop App から OCI Compute 上の Oracle Linux 9 インスタンスへ SSH 接続し、リモートプ...

Qiita 人気記事

2026年6月8日

連続局所探索（CLS）に基づく疑似ブール充足可能性問題向けのGPU加速ソルバーであるAccelerated Fourier SAT（AFSAT）を提案する。AFSATは概念実証的なアプローチであるFastFourierSATを完全に実装されたソルバーへと発展させ、単一の問題インスタンス内で任意の異種対称制約タイプおよび長さの混合に対応する。JAXコンパイラを使用し、AFSATは純粋関数合成、自動ベクトル化、自動微分、ジャストインタイム（JIT）コンパイルを活用して、候補割り当てのバッチ全体で大規模並列CLSを実行する。概念実証と比較して、数値安定性、実行時性能、メモリ効率の大幅な改善を実証する。メモリレイテンシおよび浮動小数点表現から生じる様々な制限を特定・対処し、自動並列化とコンパクト表現を活用することで実現している。浮動小数点の本質的な表現および安定性の制限は、カスタマイズされた離散フーリエ変換実装により部分的に対処される。JAXアレイシャーディングを通じて複数のアクセラレータにスケーリングする際に、ほぼ線形のスループットを達成する。

arXiv cs.AI

2026年6月8日

数独は厳密な離散制約の下での全体的な構造推論を必要とする制約充足問題の代表例である。既存の数独求解アプローチは従来的ヒューリスティックと深層学習ソルバーの2つが主流だが、学習ベースのソルバーは厳密性の保証が欠け、完全な記号的ソルバーは長尾探索に弱いという補完的な限界を抱えている。これらの問題に対処するため、分枝選択探索プロセスのガイドとして拡散モデルを活用したDiBSと呼ばれる新しいアプローチを提案する。DiBSは記号的ソルバーの完全性を維持しながら、拡散モデルを分枝順序付けの指針として使用する。核心的な手法は現在の部分割当と軽量の一貫性信号の下で候補値をランク付けすることである。さらに、その動作原理と有効性に関する詳細な理論的証明を提供する。困難なRoyle 17ヒント数独ベンチマークの実験結果は、DiBSが特に探索ノード数、バックトラック回数、長尾パーセンタイルにおいて強力なヒューリスティックベースラインと比較して探索コストを大幅に削減することを示している。また、分枝順序の誤りが最も高くつく困難なインスタンスにおいて、学習された全体的ガイダンスが有効であることが確認されている。

arXiv cs.AI

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11日

arXiv:2606.11203v1 新規発表 構造化シーケンス生成では、しばしば1つの出力で複数の入力由来の制約を満たすことがモデルに求められます。標準的なデコーディング手法では、流暢な継続に高い確率を割り当てる一方で、必要なアンカーをすべて同時に実現する継続には低い確率を割り当てる可能性があります。これをレアケース逐次推論問題として研究します。LatticeBridgeは、コンパクトなプレフィックス言語モデル、インスタンスコンパイルされたサーフェスオートマトン、そしてリサンプリング、マルチレベル分割、インスタンス提供フレーズから導出されるソースサポート提案項を備えたツイスト逐次モンテカルロ（SMC）デコーダーを組み合わせます。制約表現は各入力インスタンスからコンパイルされ、手動でキュレーションされた語彙クラスに依存しません。

arXiv cs.CL

2026年6月16日

合成インスタンス依存ラベルノイズ（IDN）ベンチマークは、ノイズ付きラベル学習方法の評価に広く使用されていますが、既存のアプローチは通常、不完全なアノテーターまたは分類子レーティングを通じてノイズを生成しており、曖昧さのソースが暗黙的です。本研究では、制御された入力破損を通じてIDNを作成するベンチマーク生成フレームワークであるCILNを導入します。多様な投票者プールが破損したインスタンスにラベル付けを行い、曖昧さのソースと深刻度の両方が明示的で制御可能なベンチマークデータセットを生成します。CIFAR10、MNIST、Adultを使用して、複数の破損ファミリーと深刻度レベルにまたがる90のベンチマーク設定を構築します。実験の結果、生成されたベンチマークは真のインスタンス依存ノイズを示し、多様な混乱構造を提供し、CIFAR-10では、既存の合成IDNベンチマークよりも人間の不確実性に近いラベル分布を生成できることが示されました。

arXiv cs.LG

2026年6月19日

Amazon SageMaker AIは、機械学習モデル向けの完全マネージドなリアルタイム推論ホスティングを提供します。モデルを1つ以上のコンピューティングインスタンスでバックアップされたSageMakerエンドポイントにデプロイすると、SageMakerがプロビジョニングとスケーリングを処理します。SageMakerは複数のエンドポイントアーキテクチャをサポートしています。

AWS Machine Learning Blog

2026年6月19日

時系列基盤モデル（TSFM）の物理科学分野への展開は、重要なトレードオフによって阻害されている。これらのモデルは豊かで普遍的な時間的ダイナミクスをエンコードする一方で、特定の科学分野にゼロショットで適用する際に深刻な分布のずれが生じ、その計算コストはエッジコンピューティングセンサーネットワークへの展開を妨げている。我々は根本的な課題に取り組む。ずれのある基盤モデル（FM）から潜在的な構造知識をどのように抽出して、軽量で専門的な予測器を訓練できるか？我々は、マルチティーチャー蒸留をインスタンスごとの決定プロセスとして再構築する新しいフレームワーク、Gated Uncertainty-Aware Routing for Distillation（Guard）を提案する。このフレームワークは2つの適応メカニズムを備えている。(1)多様な基盤モデル間の相補性を利用し、ローカル入力統計に基づいて最も関連性の高いティーチャーを動的に選択するコンテクスチュアルルーター。

arXiv cs.LG

2026年6月23日

人工知能の目標は、オープンエンドな環境で一般的かつ適応的な行動が可能なエージェントを作成することです。「ビター・レッスン」に基づき、この目標への最も効果的な道は、人間の事前知識を体系的に排除し、エージェント自身よりも桁違いに複雑な「ビッグ・ワールド」との相互作用を通じて、知性が自然に現れるようにすることだと主張します。このような世界の実際的な代理として、モバイル・グラフィカル・ユーザー・インターフェース（GUI）を提案し、この領域での自律的な強化学習の基盤として設計されたオープンソース・インフラストラクチャであるダーウィン・モバイル・エージェントを紹介します。このフレームワークは、並列クラウドフォン・インスタンス全体での非同期エージェント・環境ループを使用することで、現実世界のモバイル相互作用におけるデータ収集のボトルネックに対処します。さらに、自己進化エージェントの3つの基本的な柱、すなわちタスク・カリキュラム、結果検証、メモリ管理から人間の事前知識を体系的に排除するための概念的なロードマップを提案します。

arXiv cs.AI

2026年6月24日

強力な言語モデルから弱い言語モデルへの推論能力の抽出は、通常、特定の解法の軌跡を模倣することを含み、推論方法ではなく回答方法を効果的に転送します。この軌跡レベルの模倣は、汎用的な問題解決スキルの獲得ではなく、インスタンス固有のステップの記憶を促進し、新しい問題への一般化を制限します。我々は、インスタンスレベルの軌跡模倣を再利用可能な戦略蒸留に置き換えるStrategy-Guided Policy Optimization (SGPO)を提案します。SGPOは、強力なモデルの応答から構造化された戦略説明を抽出し、各問題に対して、自律的および戦略主導型の両方の軌跡を構築し、戦略的ガイダンスの有無によるモデルの挙動を直接比較できるようにします。このフレームワークは、2つの重要な問いに答えます。どのように蒸留するかについては、トークンレベルのフォワードKL目的関数が、戦略条件付けによって誘発される分布シフトを選択的にガイダンスのないポリシーに転送し、近接制約が安定性を確保します。

arXiv cs.AI

2026年6月25日

関係構造に関する推論は、ニューラルモデルにとって依然として大きな課題であり、特に学習した知識を訓練時よりも難しい問題インスタンスに体系的に適用しなければならない場合に顕著です。この一般化能力の評価の難しさから、進歩は妨げられています。なぜなら、事前には、何がインスタンスを難しくしているのかはほとんど明らかではないからです。本研究では、大規模言語モデル（LLM）を使用してベンチマーク生成を自動化し、エンドツーエンドでますます挑戦的なインスタンスを生成することを学習することによって、この問題にどのように対処できるかを調査します。具体的には、Datalogルールによってパラメータ化されたワールドと、推論評価者としてのEdge Transformerが与えられた場合、LLM主導の進化的探索（FunSearchに基づく）と自律的なエージェント探索を使用して、困難な問題インスタンスを生成するサンプリング関数を発見します。また、このデータを使用してEdge Transformerを改善できることも示しており、さらなるデータ摂動に対してうまく一般化します。

arXiv cs.AI

2026年6月26日

はじめに こんにちは。プラットフォームエンジニアリングチームに所属している徳富(@yannKazu1)です。 「インスタンスサイズを上げたらコストが下がりました」と言うと、だいたい「？」という顔をされます。スペック上げたらお金かかるに決まってるだろ、と。自分もそう思っていたので気持ちはわかります。

はてなブックマーク IT

2026年7月1日

LLM陪審員、つまり合意スコアを報告するLLM評価者パネル（PoLL）は、単一審判員によるLLM評価の実用的な代替手段となっていますが、その統計的挙動は依然として十分に理解されていません。LLM陪審員をHuber汚染モデルの下で形式化し、PoLLは、単一審判員がバイアスのかかった（モード崩壊、シコファンシー、安全性拒否など、LLMに典型的な）方法で失敗した場合、陪審員のサイズに関係なく、あらゆる正の汚染下で無制限のバイアスを招くことを示します。陪審員の合意を古典的なロバスト平均推定として捉え、PoLLパネルを維持しつつ集計関数をロバスト平均推定器に置き換えたRoPoLL（Robust Panel of LLM-as-Judge）を提案します。これは幾何学的中央値（GM）でインスタンス化され、チューニング不要で、最適な有限サンプルブレークダウンポイントは1/2です。有限サンプル誤差界と一致する情報理論的ミニマックス下界は、パラメトリックレートσ*sqrt(d/N)で一致し、ブレークダウンフロアではsqrt(d)の係数で異なります。

arXiv cs.AI

2026年7月1日

キャリブレーションは、モデルの信頼度が経験的な精度と一致しているかどうかを評価します。既存の研究では、期待キャリブレーション誤差やブライアースコアなどのグローバルキャリブレーションメトリクスを用いて、異なる大規模言語モデル（LLM）のキャリブレーションを比較することがよくあります。本稿では、理論的および経験的に、このような比較がモデル精度の違いによって混乱されることを示します。より公平なクロスモデル比較のために、3つの補完的な視点、すなわちインスタンスアライン、分布アライン、および候補アラインキャリブレーションを備えた精度制御評価フレームワークであるACEを提案します。複数のベンチマーク、モデルファミリー、および信頼度引き出し方法にわたって、ACEを使用して、小規模モデル対大規模モデル、思考モデル対非思考モデルという2つの実用的に重要な比較軸を研究します。生のグローバルメトリクス下で以前に報告された多くのキャリブレーション上の利点は、精度制御後には大幅に弱まることがわかります。また、ランキングの逆転が頻繁に発生することもわかります。

arXiv cs.CL

2026年7月2日

メカニズム的解釈可能性は、ニューラルネットワークのコンポーネントが何をエンコードし、どのように相互作用するかを特徴づける、豊富なコンポーネントレベルの分析を生み出してきた。しかし、その出力は容易に再利用できない。選択性テーブル、回路図、特徴リストは、研究ごとのノートブックに閉じ込められたまま、構成不可能で、自然言語でのクエリもできず、下流の監査や介入に直接実行可能なものになっていない。本研究では、これらの分析と下流の利用との間に位置する表現層を、独立して評価可能なボトルネックとして研究し、マニフェステーションユニットを導入する。これは、トランスフォーマーアーキテクチャのためのアテンションヘッドプリミティブ（T）で拡張された型付きタプルプロトコル（E、S、R、D、G）であり、コンポーネントごとの統計情報を構造化されたフィールドに整理し、自動的に入力してハイブリッド検索でクエリできるようにする。生成ビジョン（beta-VAE）、識別ビジョン（CNN）、言語（GPT-2）にインスタンス化されたこのプロトコルは、2つの発見を支持する。

arXiv cs.LG

2026年7月7日

近年、ニューラルオペレーターは、データから直接微分方程式の解オペレーターを学習する上で有望な結果を示しています。このフレームワークは、パラメータ場から解場への関数マッピングを学習し、特定のインスタンスではなく、解のクラス全体を予測することを可能にします。しかし、既存のオペレーターは、グローバルなダイナミクスと微細な構造の両方を同時に捉えるのに苦労することがよくあります。マルチスケール特徴を表現できる効果的なオペレーターを設計するには、階層的なマルチスケール分解フレームワークが必要です。本研究では、第2世代ウェーブレットリフティングスキームに基づいたマルチ解像度オペレーターであるLifting Neural Operator（LiNO）を開発しました。LiNOは、リフティング変換をパラメータ化することにより、データから直接マルチ解像度分解を学習します。このリフティング変換は、基盤となる解関数に適応し、構築により正確に逆変換可能であるため、情報保存型のマルチスケールオペレーター学習を可能にします。

arXiv cs.LG

2026年7月7日

LLM（大規模言語モデル）が半開テキストゲーム環境において自律的な裁定者としてますます展開されるにつれて、ユーザーの意図がシステムルールと衝突する際に、堅牢なルール遵守が不可欠になります。しかし、これらのモデルは「役立つ」かつ「従順」であるように訓練されているため、私たちが「レトリック注入」と呼ぶ攻撃クラスに対して脆弱になります。これは、敵対的なユーザーが偽論理的推論や権威主義的強制などの物語的フレームワーク技術を悪用して、裁定ロジックを回避するものです。私たちは、テーブルトークRPG（TRPG）のメカニクスに基づいたマルチエージェントの敵対的ベンチマークであるCoC-Seduceを提案します。これは、ルールが裁定のために明示的でありながら、インタラクションが完全に自然言語で行われる半開環境の理想的なインスタンスです。3つの最先端モデル、すなわちGPT-5.4、Claude Sonnet 4.6、Gemini 3.5 Flashを敵対的ジェネレーターとして使用し、4つの世界設定と16のスキルカテゴリにわたる5,376のサンプルを生成します。

arXiv cs.CL

2026年7月8日

配送ルートや生産計画といった現実的な最適化問題を効率よく計算する際、膨大な計算資源が課題となっていました。新開発の「GraphBU」は、複雑な問題を小さなブロックに分割しながら、元の問題構造をグラフとして保つ手法により、この負担を軽減します。従来手法では分割時に重要な制約条件が失われることがありましたが、この技術により、より現実的で多様な問題を効率的に生成できるようになりました。AI開発に必要な学習データの充実につながり、物流や製造業などの最適化アルゴリズム開発の加速が期待されています。

arXiv cs.LG

2026年7月8日

AWSは7月6日（現地時間）、6月29日週に発表したさまざまなアップデートをまとめて紹介した。 まず、「Amazon EC2 C9g/C9gdインスタンス」はGraviton5プロセッサ搭載により、...

CodeZine

2026年7月8日

ペルソナは大規模言語モデル（LLM）エージェントの誘導によく用いられますが、社会的ジレンマの状況における戦略的行動を形成する上での有効性は不明確なままです。これを明らかにするため、反復型の「分配か略奪か」ゲームにおいて、ペルソナ・プロンプトが戦略的行動に与える影響を調査しました。このゲームでは、ペルソナ駆動のエージェントが、固定プロンプトで制御される仮想人間（VH）と相互作用します。エージェントは、4つのオープンモデル（Ministral 3:3b, phi4:14b, Gemma3:12b, Gemma4:e4b）を2つの温度設定（0.3および0.7）、およびゼロ温度の決定論的設定でインスタンス化され、VHはGPT 4.1 miniによって駆動されました。ヨーロッパ・ポルトガル語で実施された15ラウンド×160セッション全体で、相互の「分配」という結果が支配的（約74％のラウンド）であり、搾取は11％未満のラウンドで発生しました。

arXiv cs.CL

2026年7月9日

Amazonは6月30日、Amazon Time Sync Serviceに関して、全商用リージョンにおいて新たに26種類のEC2インスタンスタイプでマイクロ秒精度の時刻がサポートされるようになったと...

CodeZine