前回の未実行動作を参照し、ロボットの動作列のつなぎ目を補正するSEAM
- SEAMは、前回予測してまだ実行していない動作を参照し、次の動作列の重複部分を生成中に補正する。
- 著者らのLIBERO-10評価では、境界jerkが0.195から0.141、CDが0.172から0.126に低下し、成功率は補正なし94.8%、SEAM95.7%だった。
- 再学習は不要だが、補正を強くした設定では成功率が下がった。対象作業では滑らかさと成功率を併せて検証する必要がある。
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。
ロボットの実演を基本操作から集める：二腕の仕分けとタオル折りでの検証
- VLA向けの実演を、基本操作、物体や状態に応じた操作、作業全体の実行という順序で収集する方法を提案した。
- 著者らは、二腕のブロック仕分けとタオル折りで、完全な作業実演を直接集める方式より成功率と学習の安定性が改善したと報告する。
- 確認できた本文には改善後の成功率の数値や評価試行数がなく、導入時には成績と実演収集の手間を同じ条件で測る必要がある。
709ページのWikiで検証した段階的な情報提示――検索追加で回答費用はどう変わるか
- 709ページのWiki本文を同一に保ち、四つのアクセス構造を三条件で比較した。
- 著者らの960回の実験では、A3の総合品質はA0に対して事前設定した許容差内で、回答生成費用は三条件すべてで低かった。
- 人と判定モデルの採点一致度は事前基準に達せず、正確さと網羅性だけを見るとA3に小さな低下があった。
Leanで検証済みの定理から、LLMは証明の仕組みを選べるか
- FiberRingのLean検証済み22項目で、二つの言語モデルに13種類の証明機構ラベルを選ばせた。
- 証明機構を示すLean側の手掛かりを加えると、ラベル正解率はgpt-oss-120bで80.3％から90.9％、Llama 3.3 70Bで68.2％から81.8％になった。
- 中国剰余定理を広い「環の同値」とする誤分類は手掛かりで解消したが、別の分類境界では誤りが残った。
最初の話者方向を手掛かりに、移動する声を抽出する音声処理
- 対象者の録音開始時の方向を手掛かりに、移動中の声を抽出する方式。
- 音声・雑音マスクから空間フィルタを更新し、抽出した音声を次の推定に戻す。
- 著者らは二話者の合成音声とオフィス会議の実録音で結果を報告するが、確認できた本文に定量結果はない。
生成した効果音の元録音を探す――Doppelgangerの対応付け評価
- 実録音10,420件と、それぞれを入力に作った生成音を対応付け、特定の元録音を探す課題を設定した。
- 検索用の学習から除いた音の種類について、CLAPの元録音検索R@1は対応する組で学習した場合0.800、学習前は0.611だった。
- 著者は、対応付けの効果が別の生成器や試した文章入力だけの生成器には移らないと報告した。
声質を変えても揃う音声表現を学び、音節ごとに記号化するSylReg
- SylRegは元音声と声質変換音声の特徴を固定長区間ごとに照合し、話者の違いに左右されにくい音節表現を学習する。
- LibriSpeechテスト集合の語彙数4096の比較で、音節境界F1はSylRegが72.2％、SD-HuBERTが67.5％だった。
- 著者らは音節トークンと文字を組み合わせた言語モデルで、SpiRit-LMに対する構文・意味理解の平均7％の相対改善を報告した。
音声と映像の偽造区間を、時間方向の周波数に着目して特定する
- 音声と映像の特徴を時間方向に連結し、改変された区間の開始・終了時刻を推定する。
- 著者らの周波数分析では、判別に役立つ変化が正規化周波数0〜0.15に集中した。
- 著者らはLAV-DFでAP@0.95＝63.4％、AV-Deepfake1MでmAP＝63.58％を報告した。
LiDARの距離測定を生かし、点群地図とセンサー位置を同時に補正する
- LiDARの実測距離を使い、点群地図とセンサー位置を同時に補正する。
- 光線上の調査点を表面手前へ重点配置し、位置補正に使う情報を得る。
- 地図と軌跡の評価で改善例がある一方、指標や区間によっては比較法が上回る。
訛りのある英語音声を変換するTokAN：内容、話者の声、発話時間をどう扱うか
- TokANは訛りのある英語音声を音声トークンに変換し、元の話者の特徴を条件に再合成する。
- 著者らは七つの英語アクセントで、単語誤り率が12.40％から教師あり調整後に9.89％、追加学習後に9.23％になったと報告した。
- 発話時間を考慮した合成は可能だが、映像との厳密な同期や話者らしさは用途ごとの検証が必要である。
基準メッシュ1体と写真群から、動物の単眼3D復元を学習するBAT3R
- 骨格付き基準メッシュ1体と前景マスク付き写真群を使い、単眼3D復元の学習データを反復生成する。
- 写真から対応する2種の点マップを予測し、メッシュの姿勢と視点を推定して再描画・再学習する。
- 著者らはDualPMに近い性能を報告するが、確認できた結果表は途中で切れており、BAT3Rの測定値は確定できない。
長い回答の誤りを一項目ずつ測る、正解が一つの評価課題SALT
- SALTは、唯一の正解を手続き的に作れる長文課題で、回答の項目ごとに正誤と確信度を評価する。
- 著者らは50を超えるLLMを分析し、最小単位では確信度による正誤の順位付けが概して難しいと報告した。
- 主な集計は六課題、５万を超える評価単位に基づく。ARC-AGIと迷路はモデルの評価範囲がそろわず別に扱われた。