文章に出ない虚偽を内部状態から検出、FIBSで学ぶプローブがエージェント監視へ転移
- 28系統・163,016会話の虚偽データで、LLMの内部状態を読む分類器を学習する。
- 複数層と複数語を集約し、工具操作後の確認応答から隠れた副課題への行動を検出する。
- SHADE-Arenaの14場面で高いAUCを報告するが、意図全般の検出や未知環境の保証ではない。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
第三者映像から一人称動画を作るLEGO、鮮明さより配置の整合を生成条件に優先
- 深度・点群の再投影を使わず、画像とカメラ光線から目標視点の条件画像を学習生成する。
- 対応分布の集中度で信頼領域を選び、生成初期だけ配置を条件へ寄せる。
- Ego-Exo4Dの未知場面で再評価EgoXより画像指標とFVDが改善したが、未観測内容は生成に依存する。
成功した変換軌道を次の実演にも再利用、GNRが人の多指操作を物理シミュレーションへ移す
- 人の参照動作をロボットへ写し、物理的に成立する補正を生成モデルで学ぶ。
- HOT3Dの1,000件評価で256候補の成功率56.2％、3,000候補のDIAL-MPCは27.2％だった。
- 接触力はシミュレーション由来で、初期教師生成まで含む費用削減は単体推論の倍率と異なる。
個体能力が同じでも協働で増殖境界が変わる、AIエージェント集団の最小数理モデル
- 活動するエージェントの追加と喪失を人口増減として表す理論研究である。
- 協働成功率が集団規模とともに上がる仮定では、減少と増加を分ける人数の閾値が生まれる。
- 実世界の臨界人数を測った結果ではなく、隔離環境で規模別の能力を測る評価を提案する。
人とロボットの動きを共通表現へ、VioLAが全身と手の動作を指示から選ぶ
- 関節命令を直接予測せず、身体と手の動作表現を既存の制御器へ渡す。
- 1億4,060万フレームの93.2％を人の実演が占め、両者を同じ行動表現で学習する。
- 実機で移動・姿勢30試行全成功、操作31/35成功だが、未解決の運搬課題を含めると31/40となる。
安全な動作がない場合も危害を減らすFAITH、タスク方策を動作フィルタ越しに学習
- タスクを進める方策と、予測危害で動作を補正するフィルタを別に学習する。
- 制約を満たす動作がない場合も、同じフィルタが予測される最大危害を小さくする。
- 29自由度の歩行評価で安全率99.95％と未補正報酬の97％を報告するが、学習器の形式保証ではない。
予測軌道の周囲に不確かさの幅を付けるSCOPE、反復生成を減らしてロボット制御へ接続
- 拡散モデルの各予測軌道へ、時刻ごとの広がりを表すガウス分布の管を付ける。
- 密度の局所的な曲率を小型ヘッドへ学習させ、実行中に大量の軌道を生成せず不確かさを推定する。
- A5000の内訳では予測12.19ms、追加ヘッドと補正0.68msで、シミュレーションの制御改善を報告した。
同じ安全性得点でも拒否の傾向は異なる、HarmBenchを項目単位で測定監査
- HELM Safetyの四候補データのうち三つは対象モデル群で合格率が高く、差を捉えにくかった。
- 81モデル・398項目のHarmBenchでは、一つの潜在能力より複数の能力で応答を説明する方が適合した。
- 開発元による項目差は分野別に能力を合わせると減るが、実際の開発元差がないとは断定できない。
複数の入力を一緒に見て初めて分かる情報を保持、HRILが表現の偏りを抑える
- 各入力に共通する情報と、組み合わせで初めて生じる情報を区別して学習する。
- 複数特徴の積を多次元の配列にまとめ、相互作用が少数成分へ集中するのを抑える。
- 合成Trifeature課題で組み合わせ情報の分類精度はCoMMの71.4％に対して82.3％だった。
役立つ学習信号が続くスキルだけを選ぶSGUID、少数の手順知識をLLMへ内在化
- 意味が似て検索されたスキルでも、蒸留に有効な信号を出す割合は25％未満だった。
- 学習前半と後半の貢献を確認し、持続して有効な少数スキルだけで再学習する。
- 四モデルの数学評価では初回六スキル、次回三スキルの選択が大きな銀行に匹敵する平均成績を得た。
隣接層の値キャッシュを座標調整して共有、VFoldが長文LLMの保存メモリを削減
- 隣接層の値ベクトルを揃え、平均を一つのキャッシュとして保存する。
- 値キャッシュ半減、KV全体25％削減で、三モデルの長文ベンチマーク平均性能を98.3％以上保持した。
- A100の実測ではメモリは減る一方、一語あたりの生成時間は未圧縮より長い。
生成中の内部状態で重みを削るSparseDecoding、専用処理でLLMの長文出力を高速化
- 固定文書を読む状態ではなく、元モデルが自分の出力を続ける状態を重み削減の基準にする。
- 非ゼロ重みの場所をビットで表し、小さいバッチの一語ずつの生成に合う演算を実装した。
- A100で最大1.48倍の生成速度を報告するが、品質は未削減モデルに届かない条件もある。