FuguReport
最新の週次テーマと直近の日次レポートをまとめて確認できます。
2026-11-06 - 2026-11-12
最新の日次レポート
When AUC Meets Generative Reconstruction: A Unified Principle for Balanced Visual Representation Learning
本論文は、視覚表現学習における意味的識別性と細粒度な知覚的詳細の保持との間のトレードオフに対処するものです。
SIMQ: A Single Graph-based Index for Multi-Vector Query
SIMQは、単一のグラフ内でトークンベクトルのクラスタ重心をインデックス化する近似マルチベクトル検索向けフレームワークです。
RAG in a Trenchcoat: When Minimal Memory Is Enough for Agentic Systems, and When It Isn't
本論文では、連鎖的な観察ノート、語彙・意味ハイブリッド検索、および取得されたコンテキストの時系列提示を組み合わせた最小限のエージェント向けメモリシステム「Bridge」を紹介しています。
EvoSkill-S1: Evolving Reusable Skills with Genetic-Inspired Operators
EvoSkill-S1は、問題解決モデルを固定したまま、永続的なスキルバンク内の再利用可能なスキルを直接進化させる強化学習フレームワークです。
Exploited Before It Was Fixed? Vulnerability Timelines from Open, Machine-Readable Evidence
本論文は、公開された機械可読な記録を用いて、パッチの提供時期に対して脆弱性がいつ悪用されたかを特定できるかを検証しています。
K2-Horizon: A Frontier Fleet of Open Source Language Models
K2-Horizonは、0.
Resolving and Suppressing Temporally Correlated Noise in Quantum Error Correction
著者らは、105量子ビットのWillowプロセッサ上で表面符号の安定性実験を用い、量子誤り訂正サイクル間で相関する誤りを調査しました。
UniGraph: A Unified Graph-based Index for Dynamic Hybrid Dense-Sparse Vector Retrieval
UniGraphは、各クエリが高密度(セマンティック)距離と疎(語彙)距離の重み付けを指定する近似ハイブリッド検索の課題に取り組みます。
MedJev: A System One Vision-Language Decision Model for Fast and Effective Medical Image Understanding
MedJevは、事前学習済み視覚言語モデルを、単一のマルチモーダル順伝播で医療画像と質問に対する候補回答の中から選択を行う決定システムへと変換します。
Latent Feedback Is a Compute and Data Amplifier
本論文では、各トークンの最上位層の状態を次のトークンの入力へとフィードバックする潜在フィードバック(latent feedback)を、追加のエポックに対して同等の訓練計算量を与えたバニラTransformerと比較評価しています。
Multi-Branch Transformer
Multi-Branch Transformer(MBT)は、逐次的なTransformerスタックの一部を独立してパラメータ化された完全なブロックの分岐(ブランチ)に置き換え、共有される初期層と最終層の間で出力を統合します。
The Flip Test: Video World Models Fail to Learn the World State
FlipTestは、初期シーンへのわずかな変化が物理的な決定境界を越えた際に、動画世界モデルが予測結果を変化させるかどうかを評価するベンチマークです。
Cyber-Secure Wearable, Ultra-Low-Power Networked Sensors for Soldier Health Monitoring: Insights from the CAPSARII project
本論文は、軍事要員のモニタリングと戦術的意思決定の支援を目的とした、CAPSARIIによるウェアラブルおよび戦場IoT(Internet of Battlefield Things)アーキテクチャを提示している。
"Don't Leave the Task Unfinished": Persistence-Driven Violations under Quiet Oversight
本論文では、規則の範囲内では運用タスクの完了が不可能な場合に、粘り強さを促すプロンプトがLLMエージェントによる文書化された制約違反を助長するかどうかを検証しています。
Interactive Structured Environment Scaling for Large Language Model Agentic Reasoning
本論文では、強化学習環境の構造がマルチターン検索向けに訓練された言語モデルエージェントに与える影響を調査しています。
From Facts to Personas: Interpretable Role Unlearning in LLMs via Mixture-of-Experts
本論文では、他の役割や一般的な言語能力を維持しつつ、特定のペルソナの文体特性や知識を削除することを目的とした「ロールプレイングの機械忘却(Role-playing Unlearning)」を導入しています。
Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns
本論文は、オンポリシー蒸留が数学的推論、ALFWorld、τ²-benchの各タスクにわたり言語モデルエージェントの推論、行動、情報獲得をどのように変化させるかを調査しています。
SARGO: Agreement-Gated Reinforcement and Suppression via On-Policy Self-Guidance for Visual Hallucination Mitigation
SARGOは、ビジョン・言語モデルの応答において根拠に基づく情報を保持しつつ、視覚的ハルシネーションを低減するための事後学習フレームワークです。
Func-JEPA: Learning a Sobolev Space of Functions as Latent Vectors
Func-JEPAは、記号的な1変数関数をソボレフH¹幾何を模倣するよう設計された潜在ベクトルへとマッピングするTransformerエンコーダを事前学習します。
Before the Word: Name Information in Description-Derived States of Small Language Models, With and Without Naming Failure
本研究は、小規模言語モデルが物体の説明文から名称を予測する内部状態を形成するかどうか、および命名に失敗した際に説明文由来の状態がどのように異なるかを調査しています。
WebArena-Pro: A Heterogeneous, Multimodal, Reproducible Benchmark for Web Agents
WebArena-Proは、6つのドメインにわたる20のセルフホスト型ウェブアプリケーションを対象とした、人手で検証済みの300のタスクからなるベンチマークです。
DOCKET: A Pluralistic Benchmark for Evaluating AI-Assisted Policy Feedback in U.S. Rulemaking
DOCKETは、2016年から2026年にわたる44の政府機関からの4,230万件のパブリックコメントおよび連邦規制文書をまとめたものです。
StreamEmbed: Real-Time Indexing from Pixels for Screenshot Retrieval
StreamEmbedは、ローカルハードウェア上で画面履歴を継続的にエンコードするコストに対処するため、スクリーンショットが入力されるたびに検索可能な視覚インデックスを構築します。
Envisioning Agentic Robotics: A New Era of Robotic Systems
本ポジションペーパーでは、エージェンティック・ロボティクスを、基盤モデルがユーザーの意図を解釈し、ロボットの能力を協調させ、物理的な結果を検証して意思決定を適応させる閉ループパラダイムとして定義しています。
MMFlash: Faster Speculative Decoding for Vision-Language Models
MMFlashは、ターゲットモデルによる検証用にトークンを提案する軽量なドラフターを用い、ブロック拡散型の投機的デコーディングをビジョン言語モデルに適応させます。
Unbundling Multimodal Vision Encoding
本論文は、マルチモーダル視覚エンコーダで通常一括して扱われる3つの選択肢、すなわち個別の視覚事前学習、専用の視覚キャパシティ、およびそのキャパシティをマルチモーダル融合の前に配置することを切り離して検証しています。
TTB: Test-time Baking for Efficient Rendering of Decoder-only View Synthesis Models
Test-Time Baking(TTB)は、クロスビューアテンションからのシーン情報を軽量なシーン固有のMLP重みにエンコードすることで、デコーダオンリーの新規視点合成を高速化します。
Ropedia Xperience 2: A Gold Standard for Scaling Physical AI Environments and Behaviors
Ropedia Xperience 2は、フィジカルAI研究を支援するために、実環境のメトリック3Dスキャンと人間のタスクの一人称視点記録を統合しています。
Factored One-sided Adam-Moment for Practical and Scalable SOAP
本論文では、オプティマイザのメモリおよび計算量を削減するために設計されたSOAPの変種であるFactored One-sided Adam-Moment(FOAM)を提案しています。
PhysLoop: Harnessing LLMs' Physics Awareness for Self-Improving Video Generation Models
PhysLoopは、LLMによるシーン構築、シミュレーション、および反復的な検証を活用して、物理イベントの動画を生成・修復するための枠組みです。
WordInferBench: Can Agents Infer How to Edit from Word Document Context?
WordInferBenchは、自律型エージェントが完全に指定された指示に依存するのではなく、文書の文脈からMicrosoft Wordの書式設定を推論して適用できるかどうかを評価します。
Science Prediction Universe
Science Prediction Universe(SPU)は、化学、材料科学、生物学、医学にわたる隠蔽されたウェットラボの実験結果の順位付けにおいて、自律型エージェントを評価するベンチマークです。
CoCode-World: Shared 3D Proxy Representation for Multi-Player World Models
CoCode-Worldは、共有された3DプロキシとRGB外観参照から同期した2人のプレイヤー視点を生成するためのフレームワークです。
Coarse-to-Fine 3D MRI Reconstruction via Resolution-Agnostic Neural Operators
KIR-NOは、低解像度のボリュームで学習し、再学習なしで高解像度データに対して動作するように設計された3D MRI再構成フレームワークです。
ChJGBench: A Comprehensive Benchmark for Chinese Legal Judgment Generation with Diagnostic Evaluation
ChJGBenchは、事件の背景および事実認定から中国の裁判判決の理由付けと主文(主文および理由)を生成する言語モデルを評価します。
Few-Step Streaming Video Generation via Condition Shifting
本論文は、APEXの条件シフト(condition shifting)をS2-AvatarのSelf-Replay Forcingフレームワーク内に拡張し、少ステップでのストリーミング動画生成を実現する手法を提案しています。
Don't Just Trust Your Memory: Evidence-Linked Memory Reduces Memory-Induced Degradation in LLM Agents
WikiTraceは、誤解を招くような、あるいは不適切に適用された教訓を再利用した結果、LLMエージェントが記憶なしでは解けたはずのタスクに失敗する「記憶起因の性能低下」に対処します。
Measuring Robustness and Efficiency in a Connectome-Constrained Fly Visual System Model: Linking an Adversarial and a Perceptual Illusion
本論文では、ショウジョウバエの視覚系のコネクトーム制約モデルであるFlyNetを、衝突検知シミュレーションタスクにおいて再帰型ネットワークや畳み込みネットワークと比較ベンチマークしています。
A Theory of Policy Optimization in Post-Training: Coverage Collapse and Reference Resets
本論文は、ベースモデルが最適応答を生成する確率に依存したサンプル数および勾配ステップ数のコストで、方策最適化が準最適方策を学習できるかを研究しています。
Ego Guidance: Enhancing Robot Policy Learning with Action-Free Human Egocentric Videos
本論文は、行動ラベルのない人間の一人称視点(エゴセントリック)動画が、将来の視覚状態予測を通じてロボットのポリシー学習を向上させられるかを検証しています。
Embodied First Exam
Embodied First Examは、47種類のロボットにおいて35のスイートにわたる1,156のタスクを通じて、シミュレートされたロボットを制御するコーディングエージェントを評価するベンチマークである。
Shaping Useful Noise: Energy Distributions Predict Visual Pretraining Quality
本論文は、画像尤度レベルの分布が視覚事前学習における合成データセットの有用性を予測できるかを検証しています。
SWAM: Scaling World Action Models with Cross-Modal Alignment
SWAMは、事前学習済みの言語条件付き動画モデルについて、その言語・動画機能を維持しながらロボット制御へ適応させる手法を研究しています。
Robust Domain-Mixture Scheduling for Multi-Teacher On-Policy Distillation
本論文では、複数のドメイン専門家教師モデルの能力を単一の生徒モデルへ蒸留する際に、限られた学習予算をどのように配分するかを研究しています。
CADMA: Capacity-Aware Coverage Decomposition for Generative Model Assessment
CADMAは、生成されたサンプルが実データ分布をどれだけ良好にカバーしているかを評価するための再現率重視のフレームワークです。
Self-Supervised Collapse Prevention with Score-Based Entropy Maximization
本論文では、拡張されたビュー間のアライメントと平滑化された潜在エントロピーの最大化を組み合わせた自己教師あり学習フレームワークであるEntropy-Based Regularization(EBReg)を提案しています。
BiRefNet-V2: Rethinking Bilateral Reference for High-Resolution Dichotomous Image Segmentation
BiRefNet-V2は、細いフィラメントや中空構造などの微細な詳細を保持しながら、高解像度の二値画像セグメンテーションを実現することを目的としています。
How to "train" a surgeon? Benchmarking generalist agents in surgical scene understanding
本論文は、手術シーン理解に向けた汎用マルチモーダル言語モデルの2段階評価を提示している。
SkillCODER: Towards Auditing and Attribution of Copyright Infringement in LLM Agent Skills
SkillCODERは、クエリ可能なブラックボックスサービスを通じて、再利用可能なLLMエージェントスキルの所有権を監査し、ライセンスを取得した購入者を追跡するための電子透かしフレームワークです。
LongCap: Hour-Scale Timestamped Audio Captioning via Chunk-wise Processing
LongCapは、音声、音楽、その他の音響を開始時間と終了時間を持つ構造化イベントとして記述する、タイムスタンプ付き音声キャプショニングのためのフレームワークです。
アーカイブ
週次アーカイブ
15グラウンディングされたマルチモーダル・3D表現
今週のテーマは、空間構造を言語モデルのインターフェースに取り込む表現を通じて、ピクセルレベルのグラウンディング、VLMネイティブな3D検出、メッシュ生成を結びつける。
信頼性の高い動画のための適応的拡散
今週のエビデンスは、動画の忠実度、時間的一貫性、推論コストのバランスを取るために拡散事前分布を選択的に用いることを強調している。
選択的なLLMコンテキスト圧縮とメモリ
今週のエビデンスは、単にトークン数を減らすことではなく、限られたコンテキストおよびメモリ予算の下で有用な情報を保持することを重視している。
実世界の業務に向けたエージェント評価
今週のエビデンスは、孤立した推論やツール呼び出しではなく、実行可能なワークフロー、意味のある協調、利用可能な成果物を通じてLLMエージェントを評価することを重視している。
制御可能な動画生成のための動き表現
今週の成果は、動画拡散モデルが外観と時間的一貫性を保ちながらダイナミクスを制御できるようにする、明示的な動き表現に集中している。
スケーラブルな3D再構成とシーン補完
今週のテーマは、疎な入力からの3D再構成を、幾何的一貫性、シーンカバレッジ、計算規模という課題に結びつけるものである。
効率的なLLM推論とエキスパート計算
今週のエビデンスは、効率的な推論を、ハイブリッドMamba–Transformerアーキテクチャ、スパースなエキスパート計算、低オーバーヘッドのタスク適応と結び付けている。
視覚的忠実度を超えた世界モデル評価
本テーマの中心は、世界モデルが説得力のある動画生成にとどまらず、有用なプランニングや方策学習を支えられるかを評価することにある。
適応的ロボット制御と長期推論
今週のテーマは、展開時の行動適応、選択的な経験記憶、動画ベースのプランニングを、頑健なロボット制御に向けた相補的なアプローチとして結びつける。
効率的で信頼性の高いLLMエージェントの評価
今週の成果は、LLMエージェントを個々の回答精度にとどまらず、推論効率、頑健なツール使用、持続的なマルチモーダル推論まで含めて評価することを重視している。
制御可能で一貫性のある動画生成
本テーマは、視覚的品質のみならず、物体の同一性の保持、複数物体の動きの制御、空間的一貫性の評価を中心としている。
グローバル–ローカル視覚表現学習
今週のテーマは、自己教師あり視覚モデルが事前学習のオーバーヘッドを抑えつつ、グローバルな意味情報とローカルな詳細をどのように結びつけるかである。
エージェントの記憶表現と管理
今週のエビデンスは、エージェントの記憶を単なるコンテキストウィンドウの拡張ではなく、有用な経験を選択・表現・維持する問題として扱っている。
AIエージェントにおける検索と検証の評価
代表的な研究は、検索をエージェント推論の一構成要素として評価し、生成されたクエリ、検索器の能力、エビデンス利用の間にある、最終回答スコアだけでは明らかにならない不整合を浮き彫りにしている。
効率的・多言語言語モデルの評価
今週のテーマは、言語モデルの評価をデータ効率、多言語カバレッジ、圧縮、指示追従と結びつけるものである。