公開
IV-CoT：テキスト画像生成における構造認識の改善手法
・マルチモーダル大規模言語モデル（MLLM）によるテキスト画像生成は、物体数・空間関係・属性結合などの構造情報の保持が課題。・提案手法IV-CoT（暗黙的ビジュアル思考連鎖）は、構造計画と見た目レンダリングを分離するアーキテクチャで対応。・単一の条件付けストリーム内での情報の絡み合いを解消し、生成精度向上を実現。
AI
Archive 記事を横断検索
自社に関係するAI情報を、すぐ見つける。
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158件
6 / 7ページ
- Source
- 公開Source
AI搭載AAC（補助代替コミュニケーション）インターフェースの設計と評価の課題
・言語障害や発話困難者向けのAAC（補助代替コミュニケーション）システムにAIを統合する際、設計と評価が複雑化している ・利用者は多様な背景を持つため、単一の評価指標では個人のニーズを適切に捉えられない課題がある ・論文は6つのAAC問題領域を分析し、各領域でのAI活用方法と設計上の留意点を検討している
- 公開Source
InSight：ステアラブルVLAによる自律的スキル獲得フレームワーク
・Vision-Language-Action（VLA）モデルが基本動作レベルで操作可能になることで、訓練データにない新しいロボット操作スキルを自動獲得できる仕組みを提案 ・デモンストレーションを自動分割し、プリミティブアクション（「グリッパーをボウルに移動」など）の組み合わせでスキルを再構成 ・ロボット学習の汎用性向上と、現場での継続的スキル拡張の可能性を示す研究
- 公開Source
質の高い学習データ選別が科学論文要約の精度を向上させる
・科学論文の要約タスクで、著者作成の要約すべてが学習に適しているわけではないという問題を指摘。 ・データ品質の評価基準を導入し、学習に使うデータを選別する手法を提案。 ・バイオメディカル・ライフサイエンス分野の大規模長文要約データセットを構築・公開。 ・質の低いデータを除くことで、モデルの要約精度が向上することを実証。
- 公開Source
コード修復エージェント向け構造化診断定位フレームワーク SHERLOC
・LLM エージェントがコード修復タスク時に予算の約半分をバグ箇所の特定に費やす課題に対応 ・従来の定位フレームワークは単純なファイル検索に留まり、修復に必要な診断文脈を提供していない ・SHERLOC は仮説駆動型の推論と構造化探索を組み合わせた訓練不要のフレームワークを提案
- 公開Source
MIT が AI の社会的影響を探索、労働や民主主義など多角的に検討
・MIT の AI and Society Forum で、AI が労働、仕事の本質、市民言論、選挙管理など複数領域に及ぼす影響を検討 ・専門家による研究発表とパネルディスカッションを通じて、技術革新の潜在的な利益と危険性を分析 ・労働市場の変化、公共領域での AI 活用に伴う課題が主要なテーマ
- 公開Source
身体と手先の協調制御で動きながら器用な操作を実現するヒューマノイドロボット技術
・ヒューマノイドロボットが歩行中に高自由度の手で器用に物体を操作する技術「CoorDex」を開発。従来の「歩く→止まる→操作→歩く」の分断的動作から脱却。・高次元の身体と手先制御を潜在空間の残差制御に統合し、移動しながらの複雑な操作が可能に。・機械学習パイプラインで、複数の先行知識を活用して効率的な学習を実現。・産業用ロボット・自動化設備での応用が期待される基礎研究。
- 公開Source
小型ロボット向け省電力チップ、複雑環境でのナビゲーション実現
・MIT開発の新型チップにより、小型無人機がLED程度の電力消費で3D環境マップをリアルタイム生成可能 ・HVAC配管内のガス漏れ検査など、狭い工業施設での障害物回避ナビゲーションに応用 ・バッテリー制約の小型自律ロボットが衝突回避の経路計画を実行でき、産業点検業務の効率化へ
- 公開Source
言語モデルのパラメータ効率化：深さ方向の非均等配置手法
・現行の言語モデル（Transformer 等）は全層に均等にパラメータを配置するが、実際には層によって出力への寄与度が異なることが知られている。・後段の層は情報を大きく変換せず、中間表現を洗練する傾向にあることから、パラメータの非均等配置が有効である可能性を検証。・深さ方向でのパラメータ効率化により、モデルサイズ削減と計算コスト低減が期待できる。
- 公開Source
脳-コンピュータインターフェース臨床試験が加速、ALS患者が実用段階へ
・ALS患者Casey Harrell氏が脳埋込デバイスの「最初の実用ユーザー」として約3年間運用。2023年7月の埋込以来、音声生成・Web操作・気候活動家の仕事を主に独立して遂行。 ・脳-コンピュータインターフェース（BCI）が研究段階から患者の日常生活支援ツールへと移行する兆候。 ・神経難病患者のQOL向上とBCI実用化の進展が並行して加速している状況を報告。
- 公開Source
スタイル指示が音声生成に与える影響を可視化する手法
・テキスト音声合成（TTS）システムにおいて、自然言語指示がどの程度音声特性に影響するかを分析する手法を提案。 ・DAAM フレームワークを音声領域に初適用し、クロスアテンション属性を用いて個別単語ごとの寄与度をヒートマップで可視化。 ・CapSpeech-TTS での実装により、失敗パターンの診断と音声表現性の向上に資する基盤を確立。
- 公開Source
LedgerAgent：方針準拠のツール呼び出し型エージェント向け構造化状態管理
・カスタマーサービス分野のAIエージェントが、ポリシー（業務ルール）を守りながら複数ターンの対話でツール（外部システム）を呼び出す際、タスク状態を明示的に管理する手法を提案。 ・従来型エージェントでは状態がプロンプト内に散在し、エージェント自身が関連情報を再構築していた課題を、Ledger（台帳）構造で解決。 ・顧客情報、制約条件、ポリシー違反チェックなどを体系的に整理し、エラーや方針違反を削減。
- 公開Source
視覚的スタイルが大規模マルチモーダルAIの社会的バイアスを左右する仕組みを検証
・マルチモーダル大規模言語モデル（MLLM）が人物画像を判断する際、限定的な視覚的手がかり（服装・外見など）が大きなバイアスを生み出す可能性を指摘。 ・StylisticBiasというベンチマークを開発し、個人差と見た目の効果を分離してバイアスを測定する方法論を提案。 ・500以上のフォトリアリスティック画像を用いた制御実験により、属性レベルの社会的バイアスを体系的に評価可能に。 ・個人情報判定・採用・医療判断など実務的設定でのMLLM...
- 公開Source
放射線科向け空間認識型ビジョン言語モデルのスケーラブルな訓練手法
・手動の空間アノテーションなしで、放射線科向けビジョン言語モデルの訓練方法を研究 ・独ドイツ語と英語の二言語対応、CT/MR画像120万枚とテキストペアのRefRad2Dデータセットを開発 ・LLMベースキュレーションと自動セグメンテーションで、VQAと空間グラウンディング部分集合を自動生成 ・RadGrounderモデルは報告書生成と視覚質疑応答を同時実行可能に構成
- 公開Source
動画理解を推論として再構成──能動的知覚による全モード対応エージェント
・動画の全フレームを均一に処理する従来手法は計算コストが動画長に比例して増大する課題を指摘。 ・OmniAgent という新しいエージェントが、POMDP（部分観測マルコフ決定過程）に基づく反復的な「観察→思考→選択」サイクルで動画理解を実現。 ・能動的知覚により、クエリの難度に応じた効率的なフレーム選択が可能になり、計算コストを削減。 ・複数モダリティ（映像・音声・テキスト等）を統合処理できる汎用エージェント設計。
- 公開Source
法律AIの基盤整備：米国地方条例の大規模データセット LOCUS
・米国の地方条例（ゾーニング、住宅、営業許可など）は機械学習に適した形式で公開されておらず、法律AI研究の空白となっている。 ・研究チームが大規模な地方条例コーパス「LOCUS」を構築し、スケーラブルな法律AI開発の基盤を提供する。 ・ベンダープラットフォームの破片化から脱却し、自動化可能な法令データへのアクセスが可能に。 ・地方規制（公衆衛生、騒音規制、動物管理など）に関する判例分析や自動化が加速する見込み。
- 公開Source
不確実性バランス型選好計画：選好ベース強化学習の効率化手法
・選好比較からの報酬学習において、報酬・動力学・価値関数の不確実性を統合的に考慮する能動的探索手法を提案 ・既存の受動的データ収集に比べ、特に学習初期段階でのサンプル効率を大幅に改善 ・モデルベースアプローチにより、報酬設計を明示的に行わずロボット制御や推奨システムなど複数領域での応用が期待される
- 公開Source
視覚的検証によるロボット政策の推論時操舵と自律的改善
・ロボット政策の生成器と視覚検証器を組み合わせたVERITASフレームワークを提案。推論時にロボットの行動を評価・操舵できます。・事前学習済みの汎用ロボット政策に勾配不要な視覚検証器を組み合わせ、リアルタイムで行動品質を判定。・ロボットが自身の経験から学習し、継続的に性能を改善する仕組みを実現。・推論時の自律改善により、再学習なしに環境変化への適応が可能。
- 公開Source
EvolveNav：ゼロショット物体探索における自己進化メモリと事前反省機構
・ゼロショット物体探索（訓練なしで目的物を探すロボットナビゲーション）において、従来の基盤モデルは静的な知識に依存し適応性に欠けていた。 ・EvolveNavは、テスト時に継続的に改善する自己進化フレームワークを提案し、エージェントの行動ルールをメモリに蓄積して学習。 ・事前反省メカニズムにより、試行錯誤のコストを削減しながら、環境適応性と探索効率を向上。
- 公開Source
AIロボットが複雑な環境を記憶できる仕組みーMIT研究チームが長期記憶フレームワークを開発
・MIT研究チームがロボット向けの長期記憶フレームワークを開発し、複雑で大規模な環境の詳細な空間的・時間的モデルを素早く形成・想起できるようにした。 ・従来ロボットは、人間が自然に行う「鍵をどこに置いたか覚えている」といった空間記憶の能力に劣っていた。 ・工場作業など人とロボットが協働する環境では、このような記憶能力がロボットの効率性と安全性向上に貢献する可能性がある。 ・研究はロボットの自律性向上と人間との協働作業の実現化に向けた基礎...
- 公開Source
MIT新製造イニシアティブが発足1周年、産業界の AI 導入と人材不足対策が焦点
・MIT の新製造イニシアティブが発足1周年を迎え、800名以上の産業界リーダーや研究者が参加するイベントを開催。 ・工場内での AI 活用、スタートアップによるイノベーション導入、労働力不足への対策が主要テーマ。 ・大学と産業界の連携により、製造業における次世代技術と人材育成の推進を加速。
- 公開Source
TokenPilot：LLMエージェント向けキャッシュ効率的コンテキスト管理
・LLMエージェントの長時間セッション運用時に、コンテキスト累積による推論コスト増加が課題となっている。 ・既存のテキスト圧縮・動的メモリ削除手法は、テキスト変更によってキャッシュ無効化とプリフィックス不一致を引き起こす。 ・TokenPilotは、テキスト削減とプロンプトキャッシュ連続性のトレードオフを解決する、二段階粒度のコンテキスト管理手法を提案する。
- 公開Source
LLMエージェントのメタ分析能力を評価する新ベンチマーク「MetaSyn」
・Nature Portfolio掲載の442件の専門家キュレーション済みメタ分析データセット「MetaSyn」を開発 ・文献検索・研究選定・統計集計を含む系統的レビュー全体パイプラインの検証を可能に ・LLMエージェントの科学的推論能力を体系的に評価するベンチマーク基盤を提供 ・既存ベンチマークに欠落していた各段階の正解データを整備
- 公開Source
文脈認識の強化学習によるエージェント型・マルチモーダルLLMの性能向上
・LLMが長い文脈や複雑な情報から重要な証拠を見落とす課題に対し、文脈認識型強化学習(ContextRL)を提案 ・最終答だけでなく、推論過程を監督する間接的な補助目的関数により、長期推論とマルチモーダル性能を同時に向上 ・ツール実行ログや画像内の細部といった、散在する重要情報の検出精度を改善する手法