FloydNet：大域的な関係推論のための学習パラダイム
従来のグラフニューラルネットワーク（GNN）が抱えていた局所的なメッセージパッシングによる情報のボトルネックや表現力の限界を打破するため、動的計画法の原理を取り入れた新しいアーキテクチャ「FloydNet」が提案されました。
Cog AI Archive
最新の記事
OWLEYE：クロスドメイングラフデータ異常検知のためのゼロショット学習器
OWLEYEは、金融、サイバーセキュリティ、製造業など多岐にわたるドメインのグラフデータから異常を検知するために開発された、革新的なゼロショット学習フレームワークである。 異なるドメイン間の特徴量の差異を解消する特徴整列モジュール、属性と構造の双方から正常パターンを蓄積するマルチドメイン辞書学習、そしてラベルなしで異常を特定する切り捨てアテンション再構成を導入している。 複数の実世界のデータセットを用いた広範な実験において、既存の最先端手法を凌駕する汎用性と検知精度を示しており、ラベル付けコストを抑えつつ未学習のドメインにも即座に対応できる強力な基盤を構築した。
RobustExplain：推薦のためのLLMベース説明エージェントの堅牢性評価
大規模言語モデル（LLM）を推薦理由の説明に活用する際、誤クリックやデータの欠損といった現実的なノイズが説明の整合性に与える影響を評価する初のフレームワーク「RobustExplain」が開発されました。 5種類の行動ノイズと4つの評価指標を用いて実験した結果、現在のLLMの堅牢性は平均0.
Appleシリコン上での大規模なネイティブLLMおよびMLLM推論
vllm-mlxはAppleシリコンの統合メモリ構造をネイティブに活用し、テキストおよびマルチモーダルLLMの推論を劇的に高速化する新しいオープンソースフレームワークである。 継続的バッチ処理によりllama.
SECリスク予測のための先見学習
米国証券取引委員会（SEC）への提出書類に含まれる定性的なリスク情報を、将来の開示情報と自動的に紐付けることで、大規模な教師あり学習用データセットを構築する「LightningRod AI」パイプラインを提案した。
SE-DiCoW：自己登録型ダイアライゼーション条件付きWhisper
複数話者が同時に発話する環境において、従来の話者属性付き音声認識（ASR）は、話者が完全に重なる区間で情報の曖昧さが生じ、特定の話者を正確に識別することが困難でした。本研究で提案されたSE-DiCoWは、会話全体から対象話者が最も活発な区間を自動的に特定して「自己登録セグメント」として抽出し、クロスアテンション機構を通じてモデルに条件付けを行うことで、この根本的な問題を解決します。この革新的な自己登録メカニズムと学習プロセスの改善により、EMMA MT-ASRベンチマークにおいて従来モデルからエラー率を相対的に52.4%削減し、実環境のデータセットにおいても最先端の性能を達成することに成功しました。
補助損失による分離型分割学習
従来の分割学習（Split Learning）が抱えていた、サーバーからの勾配返送待ちによる通信遅延と、バックプロパゲーションのための膨大なメモリ消費という二大課題を、分割点に軽量な補助分類器を導入して学習プロセスを「分離」することで根本から解決しました。
空白は嘘をつかない：機械生成コード検出のための特徴駆動型および埋め込みベースのアプローチ
大規模言語モデル（LLM）の普及により、人間が書いたコードとAIが生成したコードを区別することが学術的誠実性や著作権の観点から急務となっています。本研究では、コードの空白や構造に着目した軽量で解釈可能な「特徴量ベース」の手法と、CodeBERTを用いた深い意味理解に基づく「埋め込みベース」の手法の2つを、60万件の大規模データセットを用いて比較検証しました。その結果、特徴量ベースの手法がROC-AUC 0.995という極めて高い性能を示し、特にインデントや空白のパターンがAIと人間を分ける強力な指標であることが判明した一方で、埋め込みベースの手法は高い精度（Precision）を維持するという、両者のトレードオフが明らかになりました。
ソフトロボットを用いた触覚メモリ：マスク化エンコーディングとソフト手首による堅牢な物体挿入
物理的な柔軟性を備えたソフト手首と、過去の触覚体験をデータベース化して検索・再利用する機能を統合したロボットシステム「TaMeSo-bot」を開発し、位置の不確実性が高い環境下での堅牢なペグ挿入を実現しました。
Talos：推薦システムにおけるTop-$K$精度の最適化
従来の推薦システムで主流だった全ランキング指標の最適化は、実際の利用シーンで重要なTop-$K$精度と必ずしも一致しないという課題がありました。本研究で提案されたTalosは、複雑な順位計算をスコアとしきい値の比較に置き換えるクォンタイル手法を導入し、Top-$K$精度を直接的かつ効率的に最適化する新しい損失関数です。