Archive 記事を横断検索
キーワードだけでなく、業界・用途・情報種別・公開時期を組み合わせて検索できます。気になるテーマから、自社で試すヒントまでまとめて辿れます。
← AI Intel トップに戻る1 / 7ページ
・大規模言語モデル（LLM）の価値観調整は西洋的規範に偏った設計になっており、スリランカなどの多言語社会の固有の文化的価値を適切に処理できていない。 ・既存ベンチマークはシンハラ語による文脈化された価値観の評価を欠いており、文化的に配慮した評価と微調整を実現できない状況が存在する。 ・本研究はスリランカの価値観を反映した最初の調査ベースの評価リソーススイート「LKValues」を提案し、地域固有の文化的感応性を向上させることを目指してい...
・大規模言語モデルの微調整時に、全サンプルが同等に寄与するわけではないため、情報量の高い訓練データを選別して計算コストを削減する研究。 ・従来のデータ品質・多様性・推論トレース長といった固定ヒューリスティクスは、タスクごとに有効性が異なり汎化困難という課題を指摘。 ・Perplexity（困惑度）ベースのデータ選別アプローチを提案し、タスク固有かつ予算制約下での効率的なサンプル選択を実現。
・OpenEvolve や TTT-Discover などの自動発見システムは、アーカイブ・親選択・探索・予算配分といった複数の設計選択を組み合わせた複合システムである。・これらのシステムは実務的には汎用ハーネス（枠組み）として扱われているが、最適な設定は問題ごとに異なる可能性を指摘。・発見実行は計算コストが高く確率的性質を持つため、既存手法の比較には統計的に十分な独立試行が不足している傾向。
・人間の視覚は継続的な目の動きと仮説の更新を伴う動的プロセスだが、現在の視覚言語ベンチマークでこれを測定していない ・新しいベンチマーク「ActiveVision」を提案し、大規模言語モデルが能動的観察（段階的な情報探索）を実行できるかを評価 ・既存のスナップショット型評価では見落とされる、モデルの観察戦略の質と効率を測定することが目的
・LLM（大規模言語モデル）を用いた複数エージェントシステム（MAS）と単一エージェントシステム（SAS）の性能差を理論的に分析した研究。 ・SASは推論プロセス全体を共有コンテキストに蓄積するのに対し、MASは各エージェントが独立したコンテキストを保有することが特徴。 ・情報ボトルネック理論により、両者の優劣が場面ごとに変動する理由を数学的に説明。 ・複数エージェント化がいつ効果的か、設計段階での判断指標を提供。
・大規模言語モデル（LLM）の推論能力向上に強化学習（RL）が中心的役割を果たしているが、事前学習との相互作用はほとんど研究されていない。・本研究は、事前学習の条件（モデルサイズ、学習データ）がRL投資のリターンにどう影響するか、またRLが実際にモデルに何をもたらすかという基本的な2つの問題に取り組む。・従来のLLM研究では事前学習コーパスの詳細が非公開のため、このような検証は困難だった。
・Muon最適化器は大規模事前学習ではAdamWと同等だが、強化学習の後学習での有効性は未検証 ・報酬が疎な環境でのエージェント学習（ALFWorld、Qwen2.5モデル）にMuonを適用すると、検証成功率が29%から54.6%に大幅向上（+88%） ・隠れ層の重み行列に限定してMuonを適用することで、効率的な学習を実現
・言語モデルの文脈内学習を条件付き推論として解釈し、全確率の法則などの統計的恒等式が成立するかを検証 ・任意の有効な分割に対し、事前確率で重み付けた条件付き分布が母集団レベルの周辺分布に集約される原理を応用 ・LLM出力の推定値が基本的な確率論的性質を満たすかどうかを実証的に調査する研究
・大規模言語モデル（LLM）の学習データに悪質な情報を混入させる「ポイズニング攻撃」が、既存研究の想定を超えて実行可能であることを実証。 ・Wikipediaなど単一ソースではなく、実際の学習データのような大規模で多様なデータセットでも攻撃が成立することを確認。 ・データ品質チェック（キュレーション）パイプラインとの相互作用を考慮した新たな攻撃リスクを指摘。 ・LLMに隠蔽された有害な動作が組み込まれ、検出・修復が困難になる可能性を警告...
・複数モダリティ（視覚・音声・言語）を統合し、シーン内の物体の意味的特徴と3次元空間位置を同時に学習する新手法 ・既存の多モーダルモデルは「何があるか」は得意だが「どこにあるか」の空間構造が不明確な課題を解決 ・グローバルな意味埋め込みと物体中心の意味空間スロットの組み合わせで、より完全なシーン表現を実現
・多言語エンコーダを少量の学習データで新言語・新タスクに適応させる低リソースNLP設定において、言語適応と タスク適応を分離学習し重み空間で合成する手法を提案。・言語差分（ΔL）を無ラベル単言語テキストから、タスク差分（ΔT）を英語ラベル付きデータから独立学習。・従来の言語-タスク同時ファインチューニングより計算効率と再利用性を向上。
・従来の自動翻訳システムは文単位の翻訳に依存しているが、LLMが文書全体の文脈を活用した翻訳に対応可能かを検証 ・PAT（Pragmatic Auto-Translator）という RAG ベースのシステムを提案。ユーザー指定設定と本物のテキスト集合から取得した文脈を組み合わせて翻訳精度を向上 ・段落・文節レベルの検索情報を活用することで、英語スペイン語翻訳の質的改善を実現
・従来のエージェント最適化研究は単一ベンチマークでの改善を報告していますが、実運用環境では最適化の繰り返しが重要です。 ・本研究は Terminal-Bench 2.0 で継続学習シナリオを検証し、複数回の最適化サイクルにおいて改善が持続するか調査しています。 ・実装・運用段階のエージェントが新タスク追加時に段階的に性能向上するメカニズムを解析する基礎的な知見を提供します。
・メタ認知（自分の思考過程を認識・評価する能力）は効果的な学習・問題解決・意思決定に必須の知能要素。 ・近年、透明性の高い信頼できるAIシステムの基盤として認識が広がっている。 ・LLMがメタ認知能力をいつ・どのように・どの程度発揮・獲得できるかは未解明。 ・本論文は、LLMのメタ認知に関する基礎研究の現状と今後の機会をまとめた総説。
・概念ベースの説明型AI（XAI）は人間が理解しやすいが、その概念レベルの出力が常に信頼できるとは限らない問題に対応 ・ConceptSMILEは摂動ベースの監査フレームワークで、特徴量やリージョンレベルではなく人間理解可能な概念レベルでの説明の信頼性を評価 ・モデル非依存の設計により、異なるAI/ML環境での汎用的な適用が可能
・UMAP は 2 次元投影結果だけでなく、内部で構築される k 近傍グラフに豊富な情報を保有している ・このグラフは元の高次元空間でのデータ構造を捉えており、2 次元投影による歪みを回避できる ・標準的なグラフアルゴリズムをこのグラフに適用することで、従来のワークフローでは見落とされていた分析が可能になる
・長時間のタスク実行を行うAIエージェントの改善には、大言語モデルが失敗を診断し改良する反射型メカニズムが用いられている ・実際の実行記録は冗長性と異質性があり、最適化が非効率で過学習につながるため、有効な信号抽出が課題 ・個別の実行軌跡内のノイズを除去し、構造的な因果関係を特定する手法を提案
・OpenAIのサム・アルトマンCEOが、米国政府にOpenAIの5%株式譲与を提案。現在の企業評価額で、米国の1世帯あたり約320ドル相当となる見込み。 ・AI産業の成長利益を国民全体で共有する構想の一環。政府との資本参加を通じた利益分配メカニズムの実装を検討中。 ・この提案は、AI開発による経済効果の配分方法や政府規制との関係性について、業界内での議論を喚起している。
・AI機能の急速な進化とエージェントシステム（自律型AI）への移行に伴い、企業は使用事例を拡大中だが、投資判断の不確実性が増している ・IT責任者は信頼性と統合性を備えたAIアーキテクチャの基礎要素に立ち返る必要があり、これが大規模導入の成功を左右する ・MIT研究は、組織がAI展開と管理を確実に行うための構造的枠組み整備の重要性を指摘
・画像生成AIは学習データにない新しい概念や最新トレンドを幻想（ハルシネーション）で補う問題がある ・ユーザーの要望は無限に多様で、訓練済みモデルの固定知識では対応できない構造的課題に直面している ・SearchGen-20K と SearchGen-Bench という 20,839 個のプロンプトを含むベンチマークデータセットを構築した ・12 のエラー分類と 22 のドメインをカバーし、生成AIの知識境界拡張を測定する枠組みを提供す...
・小規模な言語モデルで強化学習（RL）を実行して得た知見を、大規模モデルへ直接転移する手法を提案。 ・検証可能な報酬に基づくRL学習は推論性能を高めるが、計算コストが課題となっており、モデル規模の拡大に伴いボトルネック化。 ・小規模モデルでのロールアウト生成コストを削減しつつ、大規模モデルの性能向上を実現する効率的なアプローチ。
・時間領域天文サーベイで大量に発生する一過性現象候補の分類を、人手ラベルなしで実現する深層学習手法を提案 ・合成トランジェント（注入された現象）と実観測ノイズデータを組み合わせることで学習データセットを構築 ・クラス不均衡が強い条件でも堅牢に動作し、予測の確実性を定量的に示すことで信頼性を向上 ・解釈可能性を備えることで、分類根拠の透明性を確保
・Transformer が次トークン予測と将来予測用の状態保持を同じ計算経路で行う点に着目し、これらを分離することで性能向上が期待できるという仮説を提示 ・状態保持と予測の役割を分離した新型Transformer 変種を設計し、複数スケールでの事前学習実験を実施 ・分離アーキテクチャが言語モデリング性能の向上をもたらすことを実験的に示唆
・LLMが研究アイデア出しに使われる場面が増えているが、既存評価は新規性や実現可能性の個別判定に留まっている。 ・本研究は「LLM生成アイデアが人間研究者のレベルにどこまで近いか」という問いに直結する評価フレームワークを提案。 ・高品質な人間の研究論文から逆算して先行研究を特定し、LLM出力との系統的な比較を可能にした。
