回答前の内部状態を測り、通常回答・検索・人手確認に振り分ける手法
- 回答生成前の内部状態から三つの信号を計算し、確信度に応じて通常回答、検索付き回答、大きなモデル、人手確認へ振り分ける。
- 著者の全体比較表では、幻覚検出率がBaselineの0.42に対し0.74、F1値が0.61に対し0.82だった。
- 提案手法の計算コストはBaseline比1.6倍。本文の「約40％削減」は、比較対象と算出条件を表からは照合できない。
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。
分野別文書から質問と関連度ラベルを作り、検索候補の並びを調整する
- 分野別文書から質問を生成し、大規模言語モデルの関連度判定で正例と負例を作って再順位付けモデルを調整する。
- 著者らの分野内評価では、初回学習後のnDCG@10が追加学習前の0.905から、学習データ800件で0.952になった。
- 同条件の分野外MAP@10は0.575から0.570であり、導入先では実際の質問と人手ラベルによる検証が必要である。
点群と文章を合わせ、部分的に重なる三次元地図の物体を対応付ける
- SGAligner++は点群、CAD形状、文章、位置関係を合わせ、二つの三次元場面の物体を対応付ける。
- 著者らの3RScan予測データ評価では、Hits@1がSGAlignerの18.57から55.42へ上がった。
- 実用化には入力が欠ける場面や似た物体が多い場面で、誤対応と処理時間を測る必要がある。
会話を検索文に変え、似た映画から選ぶ推薦手法ReGeS
- 学習時に会話と正解映画から検索文の手本を作り、利用時には会話だけから検索文を生成する。
- 検索で見つけた似た不正解映画を学習に使い、候補の中から一作品を選ぶ。
- 表1の小規模構成のRec Success RateはReDialで0.054、INSPIREDで0.108。ただし表4と数値が食い違う。
行動の順序と利用者全体の関係を使うコンテンツ推薦手法
- 全利用者の行動から関係図を作り、個人の行動順序と組み合わせて推薦する。
- グラフ対照学習とGANによる行動パターンの生成を用い、雑音と少ない反応ラベルへの対応を狙う。
- 著者らは二つのデータセットでNDCG@10の6.7％改善とHR@10の11.3％改善を報告したが、改善率ごとの比較基準は確認できない。
単眼RGB画像で投げて受け取る両腕ロボット：DyDexHandoverの学習方法と検証結果
- 投げ手と受け手に別々の方策を用い、単眼RGB画像の特徴、関節位置、目標位置から腕と手の指令を決める。
- 著者らのシミュレーション評価では、平均成功率は学習物体9種で99％、未学習物体9種で75％だった。
- 学習時には人の投げ動作、物体領域のラベル、シミュレーション由来の状態情報を使う。実機での成功率は示されていない。
心音の特徴抽出を学習せずに構成するScattering Transformer
- 固定のウェーブレット散乱特徴に、学習可能な重みを持たない自己注意を加えて心音を表現する。
- CirCor DigiScopeの患者単位の三分類で、重み付き正解率0.786、UAR0.697を報告した。
- 特徴抽出は学習不要だが、最終分類器は学習する。「雑音なし」の再現率は0.600だった。
偽の音の改変箇所・方法・出所を調べる評価基盤FakeSound2
- FakeSound2は真偽に加え、偽の区間、改変方法、出所、未知の出所への対応を評価する。
- 著者らは6種類の改変と12の出所を扱い、選別後のテスト音5,553件を報告した。
- 基準モデルの改変種類の正解率は、既知の出所で72.15%、未知の出所で41.82%だった。
自然画像を見たときの視線を720点の座標列で生成するDiffEye
- DiffEyeは自然画像と生の視線記録から学習し、720点の視線座標列を生成する。
- CPEで視線座標と画像内の位置を対応させ、生成軌跡から注視点列や分布図も作れる。
- MIT1003では一部の距離指標で比較対象を上回る一方、OSIEでは全指標で最良とは限らない。
先頭の移動に合わせて後続の目標を更新するロボット隊列制御
- 先頭の移動距離に応じて後続の目標を更新し、同じ経路を一定間隔でたどることを狙う。
- 著者らはTurtleBot3、Laikago、および両者の混成構成をシミュレーションで評価した。
- Laikagoでは操舵後の追従誤差が250シミュレーションステップ、約0.25秒以内に安定したと報告している。
頭部の点群と4視点の画像を結び、移動ロボットの全身動作を予測するDSPv2
- DSPv2は、頭部カメラの三次元点群と4視点の画像特徴を位置情報で結び、全身の将来動作列を予測する。
- 著者らの実機評価では、元の条件のかご課題で把持率がDSPv2の80％に対しWB-WIMAは50％だった。
- 形を変えた仕分け課題の第2段階では全手法が把持に失敗し、著者らは低い位置から取る実演がほぼなかったことを理由に挙げた。
複数ロボットが目標点を学び、移動操作を予測制御で計算する手法
- 強化学習が追う獲物とその周囲の目標点を選び、各機体のMPCが移動操作を計算する。
- 3配置平均で最終収束報酬の80％に達する学習量は、提案方式228.8万、比較方式は403.9万または712.5万環境ステップだった。
- 衝突で終了する配置の全獲物捕獲率は99.4％だったが、1000エピソード当たり6件の衝突も報告されている。