マレーシアの監査済み財務表をMarkdownに変換する視覚言語モデル
- 表画像と抽出テキストからMarkdownを作るため、Qwen2.5-VL-7B-Instructを財務報告書の正解例で微調整した。
- 著者らの独立した100表での評価では、総合正確率92.20%、Markdown TEDS 96.53%で、微調整前の32.80%、52.08%を上回った。
- 実務導入には対象文書の正解表を用意し、会社・年度と数値の対応や人手による修正件数を確かめる必要がある。
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。
動く音源の残響を連続的に合成し、音声強調の学習データを作る
- 移動する音源の反射音を、経路ごとの音量減衰と到達遅延から合成する。
- 反射回数に応じて位置計算の細かさを変え、計算量を抑える。
- 著者の二チャネル実験では、動的データを加えた学習でSDRが16.34から18.65dBになった。
動物の録音を分類するモデルの選び方：BirdSetとBEANSで転用法を比較
- 著者らは生物音響の基盤モデルを整理し、BirdSetとBEANSで固定モデルの特徴を使う分類法を比較した。
- BirdSetのプローブによる比較ではBirdMAE、BEANSではBEATsNLMが良好と報告された。注意機構付きプローブは、比較した一部のモデルで有効だった。
- 限定評価のPerch 2.0とプローブによる比較のBirdMAEについて、BirdSetの最高点という記述が異なる。確認できた範囲に比較結果表はなく、条件と数値差の確認が必要である。
声と表情が食い違う動画で、感情推定の音声偏重を抑える
- CA-MERは、感情ラベルと一致する手掛かりが映像側・音声側・両方にある例を各500件含む。
- MoSEARは入力別の追加学習部分と、推論時に偏った注意を調整する仕組みを組み合わせる。
- 著者らのCA-MER評価では、Emotion-LLaMAとの比較で、正解率と再現率の全体平均が55.62％から61.14％になった。
路側の事故警報を使い、車の予定経路を補正するREACT
- REACTは路側の事故警報と車載情報を使い、既存の予定経路の通過点を補正する。
- 著者らはDeepAccidentで衝突率77％低減とVPQ 48.2％、Jetson AGX Orin上で推論時間0.57秒を報告した。
- 衝突率の比較対象や評価条件は確認できた本文からは特定できず、導入時には警報の遅延や位置のずれも検証する必要がある。
動画と文字から効果音・発話・歌を生成するAudioGen-Omni
- 動画や文字を条件に、効果音・発話・歌を一つのモデルで生成する手法。
- 発話文と歌詞を共通に扱い、動画・音・時間に対応する文字情報の位置を合わせる仕組みを提案する。
- 著者のVGGSoundテスト集合の表では、8秒の音の生成時間は1.91秒。DeSyncは0.450で、MMAudio-L-44.1kHzの0.442より高い。
手書きの算数答案をAIで読み取り、教師の判断を生かすMathAIde
- MathAIdeは紙の算数答案を撮影して正誤と次の練習問題を教師に示し、本研究はAIの誤認識に教師が介入する設計を検討した。
- 意見出しに教師14人、画面案の比較に教師３人、教室での事例研究に教師３人と児童49人が参加した。
- 本文の約70％と約80％は研究当時の文字検出精度であり、教師の介入による改善率ではない。
コード生成エージェントの仕組みと開発工程への適用を整理した調査
- 2022年から2025年6月までの文献を収集し、447件の候補から100件を分析した調査である。
- 計画、道具使用、自己修正、複数エージェントの協調などを方法別に整理する。
- 著者らは、非公開コードや独自の開発手順への適応、生成コードの欠陥を実務上の課題に挙げた。
目標地点から地図と画像を参照し、操舵角と速度を出す運転モデル「NovaDrive」
- 前方画像、LiDARの距離情報、高精度地図、目標地点から、現在の操舵角と速度を出す。
- 著者の対象区間での比較では、到達率84％、SPL 0.66、衝突率1.2％だった。
- 高品質な地図と正確な車両位置に依存し、入力が劣化した条件の評価は限られる。
利用履歴から商品画像を改変し、推薦順位を動かす攻撃
- AUV-Fusionは、実際の利用履歴と商品画像の関係から利用者の好みを表し、対象商品の画像改変に使う攻撃である。
- 偽の利用者履歴を追加せず、履歴の少ない商品の上位推薦への露出を増やすことを狙う。
- 著者らは二つの実データでの評価を説明するが、確認できた本文の範囲には結果表の数値がない。
周辺車両の予測範囲で自車の走行計画を点検する安全監視手法
- 複数の将来進路の予測から周辺車両の到達領域を作り、自車の予定経路との交差を点検する。
- 正解位置による領域の校正に加え、運用中の予測への信頼度に応じた調整と代替領域への切り替えを行う。
- nuScenesのシンガポールで予測器を学習し、両都市で評価した。確認できた本文の範囲には結果表がない。
周囲の立方体が消えても受け渡せるか：Causal-ACTによる観測特徴の選択
- 画像特徴の採用候補を変えながらACTを学習し、試行全体の報酬で実行時の候補を選ぶ。
- MuJoCo上の両腕による立方体受け渡しで、訓練時の妨害物6個をテスト時に取り除いて評価した。
- 著者らは通常のACTより良い結果を報告するが、確認できた本文の範囲には評価結果の数値と結果表がない。