NFLの統計と記事を横断して質問に答える複数エージェント構成
- GridMindは、NFLの統計、センサー記録、記事、音声、動画を横断する自然言語での問い合わせを目指す。
- 質問の解釈、検索、回答の合成を専門のエージェントに分担し、RAGと大規模言語モデルを組み合わせる。
- 示された要旨には評価データ、指標、測定値がなく、従来手法との性能差は判断できない。
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。
共通の更新方向を使い、利用者ごとの好みを学ぶ報酬モデル
- 共通行列と個人別行列の積で報酬モデルを更新し、利用者ごとの選好を学ぶ。
- 著者らはReddit TL;DRで、Llama-3 8Bの選好予測精度74.65%、GPT-J 6Bで66.93%と報告した。
- 業務利用には、評価件数が少ない人での予測精度と、生成した回答への実際の選好を別々に検証する必要がある。
室内の取っ手やスイッチから作用先を結ぶ機能的3Dシーングラフ
- 撮影位置付きRGB-D画像から物体と操作部を検出し、作用関係を結ぶ機能的3Dグラフを作る。
- 著者らの全点に対するR@3／R@10はSceneFun3Dで73.0／82.8、FunGraph3Dで55.5／65.8だった。
- スイッチと照明のような遠隔の対応は静止画像だけでは曖昧になり得るため、実用時には操作による確認が要る。
音高を追跡せず、音の時間周波数図から変化の形を読む
- 短い音の時間周波数表現から、明示的な音高追跡を経ずに輪郭の形とパラメータを推定する。
- 著者らは4領域の8つの下流分類タスクで追跡方式を幅広く上回ったと報告するが、確認できた本文の範囲にタスク別の得点はない。
- 合成データSPCは7種類の輪郭を各500件含む。実際の警報音への適用には、現場のラベル付き録音での検証が必要である。
文書への質問応答を、答えの種類と記載位置から評価するSMuDGE
- 文字列の近さだけでなく、答えの種類と文書内の記載位置を使って文書質問応答を採点する。
- 著者らは4データセットで分析し、DocVQA上位10モデルでは評価方法によって人間とQWen2-VL以外の順位が動いたと報告した。
- 請求書などへの適用には、正解ラベル、文字認識による語と位置の情報を用意し、人の判断との一致を検証する必要がある。
OCTから視神経乳頭を三次元化し、強度近視と緑内障の４群を分類
- OCT画像から網膜と結合組織の境界を三次元点群に変え、健常・強度近視・緑内障・併存の四群を分類する。
- 著者らは独立したテスト集合でマイクロ平均AUC 0.92±0.03、点群再構成でChamfer損失0.013±0.002を報告した。
- OCT撮影685件と対象者754人の対応、評価データの分割方法、群別の誤分類は確認できた本文の範囲では分からない。
言語で中間目標を組み立て、移動技能を再利用するロボット学習法
- LDSCは作業指示から中間目標の関係木を作り、目標、オプション、具体的な行動の順にロボットの動作を決める。
- 著者らのMuJoCo上のMazeでは、成功率はLDSCが100％±0％、DSC・DDPG・Option-Criticが各0％±0％だった。
- 言語モデルによる中間目標の順序は常に正確とは限らず、実環境への適用には目標判定と状態取得の検証が要る。
画像課題と個人制作で学ぶ計算論的思考とAIの社会的影響
- 画像課題、学生が選ぶ個人制作、AIの社会的影響を考える読書討論を組み合わせた入門科目。
- 2023年秋の14週間に12人が修了し、初回と最終回の質問回答を比較した。
- 自己効力感の2項目などに有意な変化が報告されたが、結果本文ではAI倫理への意識に有意な改善はなかった。
録音の輪郭をたどり、げっ歯類の超音波発声を検出するContourUSV
- ContourUSVは録音をスペクトログラムに変え、清掃・前処理、輪郭検出、後処理を経てげっ歯類の超音波発声を検出する。
- 著者らは二つのデータセットで既存システム三つと比較し、平均でF1値1.80倍、処理速度117.07倍などの改善を報告した。
- データセット別の結果や測定条件は確認できた本文の範囲では不明であり、導入先の録音と人手の注釈による検証が必要である。
物体の位置と高さを記号化し、卓上操作の行動列を作るAlphaSpace
- 物体の属性、平面位置、高さを構造化した記号で入力し、卓上操作の行動列を生成する。
- 著者らの24行動の評価では正答率66.67%で、再実行したGPT-4oの37.5%、Claude 3.5 Sonnetの29.17%を上回った。
- 評価方法と結果表で後半12件のタスク名が一致せず、動的な場面や実環境への適用も確認されていない。
6ミリ秒の音声片を耳掛け型機器内で処理するNeuralAids
- NeuralAidsは、単一マイクの音声を耳掛け型試作機内で強調・雑音除去するシステム。
- 著者らは、6ミリ秒の音声片をGAP9上で5.54ミリ秒で処理し、消費電力を71.64 mWと報告した。
- 28人の利用者調査で未処理音とTinyDenoiserを上回る評価を報告したが、確認できた本文には個別評点がない。
手術映像の直近場面と目標から次の操作を予測するLLM-SAP
- 直近映像を詳しく、遠い履歴を操作名で簡潔に扱い、次の手術操作を予測する。
- 映像を直接読む方式と、映像を説明文に変えて言語モデルへ渡す方式を備える。
- Qwen2.5-72Bの上位2候補の標本単位精度は微調整で59.65％から78.95％になった。