検索ベクトルを作る前の推論文も鍛えるCoFree
- CoFreeは、質問と文書の推論文を生成する力を回復させ、ベクトルと推論文の双方が検索に役立つよう二段階で学習する。
- 著者らの英語検索評価では、CoFree-4Bの22データセット平均nDCG@10は40.8で、初期モデルの38.0を2.8ポイント上回った。
- BRIGHTのコード検索では初期モデルを下回ったため、導入先の文書と質問で分野別の検証が必要である。
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。
文章と参照音声から「誰が何を話したか」を探すVoiceTrace
- 文章で発言内容を、参照音声で話者を指定し、両方に合う録音を検索する。
- 埋め込み表現で候補を選び、問い合わせと候補を同時に調べて順位を付け直す。
- 著者らのVoiceTrace-Bench評価では、再順位付け後のR@1は0.8285で、比較した段階式手法の0.7621を上回った。
車両部品の材料と理由を答えるAI――検索と再検証を専門家評価で比較
- 材料候補と理由を答える課題で、直接回答、RAG、CoVeを比較した。
- 材料候補のみの100部品の評価では、少数例を示したMixtralのCoverageが、評価者1人以上・3人以上の両条件で100％だった。
- 説明付きの50部品の評価では、著者らはRAG系の方式に実質的な改善を認めず、採点では評価者間の意見も割れた。
輪になって踊る人々の動きで音楽を変えるEncypher
- 深度カメラで複数人の動きと位置関係を捉え、連続して生成される音楽へ反映する。
- 著者らは15人との共同設計、11人の参加者調査、公開イベントと公演を通じ、音楽を集団の動きへの反応と感じる体験を報告した。
- 人が重なると関節追跡が劣化し、初参加者や既存の交流様式を持つ集団では受け止め方が異なった。
検索指示が詳しいほど順位補正が効かなくなる理由と、差し引く量の調整法
- 検索文を「N/A」に替える標準補正は、長い個別指示が生む関連度の信号まで差し引く場合がある。
- 提案法は３通りの注意スコアを使い、指示文を含む補正値と含まない補正値の混合比を調整する。
- Gemma-3-4BのICRでは、InstructIRのnDCG@10が標準補正0.275、指示文を外した補正0.825だった。
会話記憶の更新を時点ごとに検証するLSREP――ICE v2の監査で見えた課題
- LSREPは会話履歴を順に再生し、繰り返した質問の回答を各時点の正解と照合する。
- 著者の私的な通常密度の３データセットではICE v2とvector-RAGの平均品質差はほぼゼロだったが、公開のLongMemEvalではICE v2の評価値が低かった。
- ICE v2の手順記憶検索には欠陥があり、一部機構は評価で使われず、グラフ検索の品質への寄与も確立していない。
救急車両を音と映像で分類するAVNet：秒単位の統合と欠損入力への対応
- AVNetは、同じ秒の音声と映像の特徴を結び付け、救急車・消防車・警察車両・道路背景を分類する。
- 著者らが報告したAudioSet由来281クリップでの全体正解率は、統合枝66.6％、音声枝56.2％、映像枝51.6％。
- 消防車では統合枝が音声枝を下回った。欠損入力時の成績と時刻の対応付けは、導入前に確認が必要である。
深い調査の最初の検索を設計する――質問の手掛かりを分けて探すQuestion’s Gambit
- 質問を手掛かりに分けて文書を探し、統合・再順位付けした上位５件を調査エージェントの最初の資料にする。
- 著者らのBrowseComp-Plus評価では、GPT-5.5の正答率が同じ検索器を使うPi-Seriniの83.1％から90.5％に上がった。
- MultiHop-RAGでの改善は81.0％から81.5％と小さく、導入時は根拠文書の閲覧率と追加費用・待ち時間を測る必要がある。
振幅を復元し、位相を生成する音声合成器PhaseGAN
- PhaseGANはメルスペクトログラムから振幅を復元し、それを条件に位相を生成して音声波形を作る。
- LJSpeechの単一話者実験で、標準版は163万パラメータ、6.42 GMAC、MOS 4.256±0.05、軽量版は54万パラメータ、1.05 GMAC、MOS 3.986±0.05だった。
- 著者らは追加学習なしで未見話者と中国語歌声も評価した。日本語の実運用に必要な音質と遅延は別途検証が要る。
過去の検索評価で、未来の検索履歴が得点を押し上げていないか
- 過去の検索評価には、資産集合だけでなく、検索履歴が当時利用できたかの確認が要る。
- 著者らの12設定では、FutureのAsset Recall@100はPITより2.62～5.24ポイント高かった。
- 同じ質問を時点別の履歴で再実行し、得点差と選ばれた履歴の時刻を監査する。
異なる音声モデルのトークンを直接つなぐTokenMapper：品質と転送時間を検証
- TokenMapperは、実効的なトークンの時間間隔が共通する異なる音声方式間で、波形を介さずに記号列を変換する。
- LibriSpeech test-cleanでの変換WERは5.85～9.98％で、変換先方式による通常の再構成との差は2.56～5.96ポイントだった。
- 発話単位のオフライン計測では転送時間が4.8～94.5％短縮したが、音質と短縮率は変換方向によって異なる。
多数の推薦候補で状態を共有するOneLA：GDNのビーム探索を高速化
- OneLAは、共通入力から始まる推薦候補について、GDNの状態を一つ保存し、候補ごとの差を短い更新記録で管理する。
- 親子関係の索引で記録を追い、次の計算に必要な値だけを再現するため、候補ごとの完全な状態行列を保存しない。
- 著者は指定したQwen3.5モデルと候補幅256の条件で、Controlled FullStateに対する累積decode-forward GPU時間の1.54～2.46倍の高速化を報告した。