論文
フィジカルAI関連の最新論文を、日本語のひとことで。原題は英語です。
最新論文: 2026/6/22 / arXivを3時間ごとに自動収集
📖 UMIデバイス・カタログ(日本語版)UMI式データ収集デバイスと主要データセットを日本語で俯瞰 →- 論文VLA画像認識
AIR: MLLMにおけるコードを用いた適応的インターリーブ推論
マルチモーダル大規模言語モデルに、コードを介した数値計算タスクの適応的推論能力を強化学習で付与する手法を提案。
原題: AIR: Adaptive Interleaved Reasoning with Code in MLLMs / Cong Han, Xiaohan Lan, Haibo Qiu 他
日本語で読む → - 論文ディープフェイク検出画像認識
LoCC: 反事実フレーム整合性によるリップシンクディープフェイクの検出と位置特定
リップシンクディープフェイクの検出と位置特定を行う新しいフレームワークLoCCを提案。時間的近傍から生成した反事実推定との整合性を評価し、フレームレベルの不一致を捉える。
原題: LoCC: Detection and Localization of Lip-Syncing Deepfakes via Counterfactual Frame Consistency / Soumyya Kanti Datta, Shan Jia, Siwei Lyu
日本語で読む → - 論文ナビゲーション画像認識
FlowDec: 時間的条件付きフロー修復による頑健な連続環境視覚言語ナビゲーション
連続環境での視覚言語ナビゲーション(VLN-CE)において、実世界の視覚劣化に対する頑健性を高めるため、時間的文脈を活用した画像修復フレームワークFlowDecを提案した。
原題: FlowDec: Temporal Conditional Flow Decorruptor for Robust Continuous Vision-Language Navigation / Yufei Zhang, Changhao Chen
日本語で読む → - 論文エージェントAI/理論AI
接地されたスケーリング:エージェント型AIには決定論的環境が必要な理由
エージェント型AIの長いタスク連鎖は、環境の非決定性により指数関数的に失敗することを示し、環境の決定性がスケーリングの重要な軸であると主張する。決定性効率限界などの形式的結果と、供給確実性指数や決定性成熟度モデルを提案する。
原題: Grounded Scaling: Why Agentic AI Needs Deterministic Environments / Liang Ding, Xintong Wang
日本語で読む → - 論文自動運転/自己教師あり学習画像認識
ラベルなし運転シナリオ複雑度検出のための統合埋め込み予測アーキテクチャ
ラベルなしデータから運転シナリオの複雑さを自己教師ありで検出する手法を提案。JEPAモデルの予測誤差を複雑度スコアとして用い、複雑なシナリオを高スコアで識別できることを示した。
原題: Zero-Label Driving Scenario Complexity Detection via Joint Embedding Predictive Architecture / Santosh Jaiswal
日本語で読む → - 論文因果推論自然言語
言葉が違いを生む:大規模言語モデルがテキスト中の因果構造をどう決定するか
大規模言語モデルがテキストから因果構造を学習する仕組みを、変分帰納法という違いを生む論理に基づいて説明する論文。
原題: Words as Difference Makers: How Large Language Models Determine Causal Structure in Text / Wolfgang Pietsch
日本語で読む → - 論文VLA画像認識
PolicyTrim: 視覚言語行動モデルの本質的なポリシー効率を高める
VLAモデルの実行効率を、推論遅延ではなく行動チャンクの有効長と物理ステップ数に着目して改善する強化学習ベースの後訓練フレームワークを提案した。
原題: PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models / Xianghui Wang, Feng Chen, Wenbo Zhang 他
日本語で読む → - 論文連合学習/セキュリティ機械学習
SCRUB-FL: バックドアの忘却による表現の浄化とクレンジング
連合学習におけるバックドア攻撃を、訓練中に疑わしいサンプルを検出し、収束後に生成モデルで近似したトリガーを用いて機械忘却を適用することで除去する二段階の防御手法を提案した。
原題: SCRUB-FL: Sanitizing and Cleansing Representations via Unlearning of Backdoors / Osama Wehbi, Sarhad Arisdakessian, Omar Abdel Wahab 他
日本語で読む → - 論文VLA/行動理解画像認識
ゴールドポイントスナイパー:微細な行動理解のためのVLMにおける自己誘導型視覚推論
ロボットが広視野画像中の小さな人物の微細な行動を理解するため、軽量VLMに自己誘導型のマルチモーダル推論を組み込むフレームワークGPSを提案し、行動関連の重要点抽出、自己質問による検証、意味的含意評価で精度と事実整合性を向上させた。
原題: Gold Points Sniper: Self-guided Visual Reasoning in VLM for Fine-grained Action Understanding / Haodi Liu, Xinhang Yang, Kunda Yan 他
日本語で読む → - 論文計画/シンボリック推論AI
SCOPE: オープンエンド環境における計画のためのシンボリック世界の進化
視覚言語モデルと古典的プランナーを統合した計画手法において、不完全なシンボリック表現を自己適応的に進化させるフレームワークSCOPEを提案し、環境摂動下での計画成功率と適応性を向上させた。
原題: SCOPE: Evolving Symbolic World for Planning in Open-Ended Environments / Yundaichuan Zhan, Minghe Gao, Zhongqi Yue 他
日本語で読む → - 論文文書画像解析画像認識
多レベル差分特徴と統合DCT量子化埋め込みによる効率的な文書改ざん位置特定
文書改ざんの位置特定を目的とし、RGB-DCT早期融合アーキテクチャDiffNetを提案。多レベル差分変換と軽量なDCTドメインバックボーンにより、クロスドメイン性能とDCTバックボーン設計を改善した。
原題: Efficient Document Tampering Localization with Multi-Level Discrepancy Features and Unified DCT-Quantization Embedding / Mohamed Dhouib, Ye Zhu, Sonia Vanier 他
日本語で読む → - 論文ベンチマーク画像認識
T-IMPACT: 文脈を考慮した画像・テキスト操作の重大度認識ベンチマーク
ニュース風の画像とテキストのペアに対する操作の重大度を評価する新しいベンチマークを提案し、既存モデルが真正性はある程度検出できるが、重大度予測は人間の判断とあまり一致しないことを示した。
原題: T-IMPACT: A Severity-Aware Benchmark for Contextual Image-Text Manipulation / Gagandeep Singh, Aaditya Yadav, Priyanka Singh
日本語で読む → - 論文エージェントメモリAI
信念ベースのエージェントメモリはいつ役立つのか?信頼性条件付き更新と出典上限付きポイズニング防御
大規模言語モデルエージェントの長期記憶において、ベイズ信念更新が有効となる条件を分析し、信頼性条件付き更新と出典上限付き防御を提案した。
原題: When Does Belief-Based Agent Memory Help? Reliability-Conditional Updating and Provenance-Capped Poisoning Defense / Pranav Singh
日本語で読む → - 論文環境モデリング機械学習
VegSim: シナリオ条件付き植生シミュレーションのための地理空間ワールドモデル
気候ストレス下での植生モニタリングのために、観測された気象だけでなく任意の気象シナリオに対する植生応答をシミュレーションできる地理空間ワールドモデルVegSimを提案した。
原題: VegSim: A Geospatial World Model for Scenario-Conditioned Vegetation Simulation / Irene Iele, Elena Mulero Ayllón, Paolo Soda 他
日本語で読む → - 論文異常検出機械学習
正常世界モデルの学習による少数ショット境界較正異常検出
正常なイベントから正常世界モデルを学習し、少数の異常例で境界を較正することで異常検出を行う手法を提案。ハイパーグラフとエントロピーに基づくエネルギー関数を用い、NASA C-MAPSSデータセットで高い性能を達成した。
原題: Learning a Normal World Model for Few-Shot Boundary-Calibrated Abnormality Detection / Weizhi Nie, Weichao Liu, Weijie Wang 他
日本語で読む → - 論文医用画像認識画像認識
基盤表現を用いた文脈学習による手術解剖認識
手術映像における解剖構造の正確な認識を目的とし、大規模データセットATLAS-120kと、基盤モデルの埋め込みと軽量な時間推論を組み合わせたモデルATLASを提案した。
原題: Surgical Anatomy Recognition with Context Learning using Foundation Representations / Ronald L. P. D. de Jong, Tim J. M. Jaspers, Raf A. H. Vervoort 他
日本語で読む → - 論文強化学習機械学習
ベルマン方程式の逆転:Q値から世界モデルへ
価値ベースの強化学習エージェントが十分な報酬関数で訓練されると、暗黙的に環境の遷移モデルを符号化することを証明し、そのモデルを抽出するP学習を提案した。
原題: Inverting the Bellman Equation: From $Q$-Values to World Models / Alistair Letcher, Mattie Fellows, Alexander D. Goldie 他
日本語で読む → - 論文3D再構築画像認識
φ-Scene: 物理的に基づいた画像から3Dシーンへの再構築
単一画像から3Dシーンを再構築する際に、物体の物理的安定性を考慮し、支持関係を推定して順に配置することで、浮遊や貫通などの物理的に不自然な再構築を防ぐ手法を提案した。
原題: $φ$-Scene: Physically Grounded Image-to-3D Scene Reconstruction / Haodong Li, Lulu Shao, Haolin Lu 他
日本語で読む → - 論文強化学習/探索機械学習
報酬なし事前学習:占有被覆最大化による強化学習
報酬が疎な環境で、報酬を使わずに探索ポリシーを事前学習し、下流タスクで迅速に適応する手法ROVERを提案。占有度のエントロピー最大化と仮想シンク状態で探索を促進する。
原題: Reward-free Pretraining for Reinforcement Learning via Occupancy Coverage Maximization / Marco Pratticò, Pietro Novelli, Massimiliano Pontil 他
日本語で読む → - 論文画像フォレンジック画像認識
SARIF: 堅牢な画像フォレンジックのためのセグメント・アニシング
画像改ざん領域の特定を高精度かつ堅牢に行うため、Segment Anything Model (SAM) を活用したフレームワークSARIFを提案。フィードバック誘導型マスクデコーダとデュアルエンコーダ設計により、フォレンジック痕跡を捉えつつ自動で改ざん領域をセグメンテーションする。
原題: SARIF: Segment Anything for Robust Image Forensics / Dong-Hyun Moon, Ju-Hyeon Nam, Sang-Chul Lee
日本語で読む → - 論文AIセキュリティcs.CR
OVIG: 勾配信号によるAI学習完全性の楽観的検証
外部委託されたAI学習の完全性を、勾配差の経験的境界を用いて検証する楽観的フレームワークOVIGを提案。
原題: OVIG: Optimistic Verification of AI Training Integrity via Gradient Signals / Hongxu Su, Jianzhu Yao, Huan Zhang 他
日本語で読む → - 論文世界モデル機械学習
次の一歩を超えて:長期的計画のための可変長潜在世界モデル
可変長の行動系列に基づいて未来の潜在状態を予測する世界モデルを提案し、長期的計画における誤差蓄積を軽減した。
原題: Beyond the Next Step: Variable-Length Latent World Models for Long-Horizon Planning / Tianqi Du, Qi Zhang, Yifei Wang 他
日本語で読む → - 論文ロボット学習/メモリ圧縮画像認識
観測履歴をエージェントメモリに圧縮:TransformerからリカレントTransformerへの蒸留
長い観測履歴を扱うロボット応用向けに、フル履歴Transformerの圧縮戦略をリカレントTransformerへ蒸留し、固定サイズメモリで性能ギャップを縮める手法を提案した。
原題: Compressing Observation History into Agent Memory: Distilling Transformers into Recurrent Transformers / Philippe Weinzaepfel, Christian Wolf, Bülent Mert Sariyildiz 他
日本語で読む → - 論文行動認識画像認識
T-MOR: 動作を考慮した骨格表現の学習による人間行動認識
骨格系列から転移可能な行動表現を学ぶフレームワークT-MORを提案。ビデオと言語の教師信号で骨格表現を整列させ、軽量な骨格入力のみで高精度な行動認識を実現する。
原題: T-MOR: Learning Motion-Aware Skeleton Representations for Human Action Recognition / Di Yang, Mahmoud Ali, Quan Kong 他
日本語で読む → - 論文非視線計測physics.optics
任意形状の中継面を用いた3Dガウシアン過渡レンダリングによる非視線計測
平面壁や密なサンプリングを仮定せず、任意形状の中継面からの測定データを用いて隠れたシーンを3Dガウシアンで表現し、微分可能な過渡レンダリングで直接再構成する手法を提案。実データで最先端の精度を達成した。
原題: Non-line-of-sight imaging with arbitrary relay surface geometries via 3D Gaussian Transient Rendering / Yi Wang, Ziyu Zhan, Yuran Wang 他
日本語で読む → - 論文音楽生成cs.SD
LK Jam: ロール認識GRUを用いたリアルタイム人-AI対話型音楽生成システムのシステムアーキテクチャと実装
軽量GRUと高効率オーディオホストアーキテクチャを用いて、低遅延で双方向のリアルタイム音楽生成システムを構築した論文。
原題: LK Jam: System Architecture and Implementation of a Real-Time Human-AI Interactive Music Generation System using Role-Aware GRU / Yakun Liu, Zhiyu Jin, Dong Liu 他
日本語で読む → - 論文ドメイン適応画像認識
VT-DUDA: 視覚トークン条件付けによる拡散誘導型教師なしドメイン適応
拡散モデルを用いた教師なしドメイン適応において、テキストプロンプトだけでなくソース画像の視覚トークンを条件付けに追加し、ターゲットスタイルの合成を改善する手法を提案。
原題: VT-DUDA: Visual Token Conditioning for Diffusion-guided Unsupervised Domain Adaptation / Xuan Qi, Daniele Berardini, Dario Serez 他
日本語で読む → - 論文LLM蒸留検出機械学習
参照ベースの蒸留検出によるLLMの教師モデル特定
大規模言語モデルが他のモデルから蒸留されたかを、参照チェックポイントとの比較に基づくメンバーシップ推論で検出する手法を提案し、単一教師蒸留ではほぼ完全な精度で教師を特定できることを示した。
原題: Reference-Based Distillation Detection in LLMs / Rajat Rawat, Sizhe Chen, Akshay Anand 他
日本語で読む → - 論文セキュリティ/自動運転画像認識
BadDreamer: 自動運転向けビデオワールドモデルに対する転移可能なバックドア攻撃
自動運転のビデオワールドモデルに、特定のトリガー(黄色い配達ライダー)が現れると未来フレームで消えるように学習させるバックドア攻撃を提案し、下流の行動予測を危険な方向に誘導できることを示した。
原題: BadDreamer: Transferable Backdoor Attacks against Video World Models for Autonomous Driving / Zhe Shuai, Xiaopeng Xie, Yikun Zeng
日本語で読む → - 論文失敗検出機械学習
VLA-FAIL: 微調整された視覚言語行動モデルのための効率的なタスク失敗検出
視覚言語行動モデル(VLA)の実行時失敗を、失敗データを必要とせず軽量に検出するフレームワークを提案。最終層のマハラノビス距離と行動チャンクの一貫性という2つの検出器を組み合わせる。
原題: VLA-FAIL: Efficient Task Failure Detection for Finetuned Vision-Language-Action Models / Florian Seligmann, Emiliyan Gospodinov, Enes Ulas Dincer 他
日本語で読む →
PR・アフィリエイト広告
