見出し・要約・本文から、情報のつながりを探します。
arXiv:2610.32638v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）の推論は、企業向けおよび対話型アプリケーションの基幹サービスとしてますます導入されていますが、主権・コンプライアンス・遅延・リソースの局所性といった要件により、集中型クラウド展開の適応性が制限されることがあります。通信事業者は、これらの制約に対処するため、地理的に分散した計算およびネットワークインフラを提供しています。しかし、既存のLLMサービスフレームワークは、緊密に結合されたデータセンター向けに設計されており、地理的に分散し多様なリソースの調整には十分なサポートを提供していません。そこで私たちは、通信事業者インフラ上でサービスレベル目標（SLO）主導型のLLM推論を実現するためのリファレンスアーキテクチャであるInferSliceを提案します。本アーキテクチャは、ネットワークスライシング、GPUパーティショニング、エラスティックなサービス提供、ならびに可観測性を統合しています。
arXiv:2610.32027v1 発表タイプ：新規 要旨：HPCクラスターは多くのプロジェクト間で共有されており、各プロジェクトにはノード時間の割り当てが与えられていますが、その公平性を確保することはますます難しくなっています。ファウンデーションモデルによるワークフローや自動化パイプラインの登場により、ジョブの提出はバースト的かつ一部の利用者に集中するようになり、少数の頻繁な利用者が引き起こすキュー待ちを、他の利用者はその長さを知ることなく受け入れざるを得なくなっています。既存のスケジューラーは、過去の使用状況を無視したり、キュー先頭のジョブのみを優先保護したり、実行中のジョブはプリエンプト可能であると仮定したりしています。そこで私たちは、HyDRAを提案します。これはハイブリッドな締め切りとランキング意識型のスケジューラーであり、すべてのユーザー間の公平性を保ちつつ、各ジョブのキュー待ち時間を制限します。HyDRAは、ジョブのサイズや所属プロジェクトの優先度に基づいて、到着時に各ジョブに締め切りを設定します。
arXiv:2610.31966v1 発表タイプ：新規 要旨：文脈内学習におけるデモンストレーションは、しばしば意味的類似性によって取得されるが、これは構造化予測における関連性を十分に反映しない場合がある。本研究では、POSシグネチャーに基づくポリシーを用いて、Universal Dependenciesの構文解析におけるデモンストレーション選択を検討した。このポリシーは文を重み付けされた品詞統計で表現し、ラベル付き訓練分割から長さが一致するゴールド解析済みの例を3つ取得する。我々は、微調整を行わないオープンウェイト言語モデル2種をUD English Web Treebankテストセットの全2,077文に対して評価し、ショット数やフォーマットが一致する固定および意味的3ショットベースライン、さらにゼロショット、チェーンオブソート、クリティック・リファインメントシステムと比較した。POSシグネチャーによる検索は、最も高いラベル付きアタ
arXiv:2610.31701v1 発表タイプ：新規 要旨：企業顧客の購買体験は、製品体験やマーケティングだけでなく、繰り返し行われるリソース配分の意思決定によっても形成されます。B2Bの市場参入（GTM）組織においては、テリトリーデザインが、どのアカウントにセラーのカバレッジを提供するか、どのセラー–アカウント関係を維持するか、そして限られたフィールドキャパシティをどのように配分するかを決定します。しかし、このプロセスは多くの場合手作業で行われるため、機会の比較や価値の継続性の評価、さらには成長・バランス・キャパシティ・実現可能性といった要素間のトレードオフの検討が困難です。本稿では、企業向けGTM計画におけるトレードオフ意識型の顧客–セラー割り当てを支援する運用意思決定システムを提案します。本システムは、予測信号を統合してスコアリングを行う多次元アカウント価値層を含む三つの主要コンポーネントを組み合わせています。
arXiv:2610.31808v1 発表タイプ：新規 要旨：上から目線で軽蔑的な言語（PCL）は、脆弱なグループを貶めたり哀れみを抱かせたりする有害な言語の一形態であり、社会的負の固定観念を強化します。しかし、露骨なヘイトスピーチとは異なり、人間の審判にとっても検出が難しい場合が多いです。本論文では、PCLを自動的に検出するシステムを提案しています。第一のアプローチでは静的単語埋め込みと畳み込みニューラルネットワークを用いた分類手法を採用し、第二のアプローチではPCLタスク向けに微調整された事前学習済みBERT埋め込みを使用しました。結果として、第二のアプローチの方が大幅に優れており、開発セットにおいてF1スコア0.528を達成しました。
2026年10月26日、arXivはプレプリント論文（番号2610.31685v1）を公開し、凍結型の大規模モデルに基づく追跡可能な多モーダル感情推論エージェントのアーキテクチャを提案した。このアーキテクチャは、モーダル専用の知覚エージェント、統合エージェント、MLLM批判者、および証拠検証段階を通じて、誤りの帰属とプロンプト空間の自己適応型最適化を実現し、MER2025データセットにおいて、複数のオープンソースの多モーダル大規模モデル（2B～38Bパラメータ）の感情認識Fスコアを0.6～2.2ポイント向上させた。
注目する理由：本研究は、現在の多モーダル感情推論システムにおいて、指令の微調整コストの高さとエージェントのパイプラインがデバッグ不可能であるという矛盾に着目し、証拠の引用、確実性の検証、失敗の帰因、ターゲット指向のプロンプト修正を統合した、全工程にわたる説明可能なフレームワークを初めて提案する。すべての改良はモデルの重みを変更せず、4つの異なる規模のオープンソースMLLM上で実証的に有効であり、方法論的な革新性と工学的な実用性を備えている。
arXiv:2610.32241v1 発表タイプ：新規 要旨：従来のヒューリスティック手法は、空間利用率やレイアウトのコンパクトさといった3Dビンパッキングの核心的な目標において、人為的に設計されたルールベースの論理に依存することで成熟した経験を蓄積してきました。しかし、一般化能力や動的シナリオへの適応性には明らかな限界が見られます。一方、強化学習の空間探索能力と拡散学習のデータ分布モデリング能力を統合した拡散強化学習は、行動分布のモデリングや意思決定の遵守制約の面で一定の進展を遂げています。それでもなお、3Dビンパッキングにおける空間的トポロジー構造の十分な把握や、レイアウト最適化能力の限定といった課題が残されています。
arXiv論文（2610.31678v1）は、対話型の大規模言語モデルの評価において、自動スコアラーの全体的な正答率やF1スコアだけに依存すると、プロンプト固有の誤りが隠れてしまい、プロンプト効果の誤った判断につながると指摘している。実証結果では、同一のスコアラーでも異なるプロンプト条件下で偽陽性率に大きな差（2.6%～33.3%）が生じ、表面的には有意と見られる9.3ポイントの効果も、二重のLLMによるレビュー下では2.3ポイントに縮小し、統計的に有意ではなくなった。
注目する理由：本研究は、実際の実験データ（6つのモデル、180個の架空のエンティティに関する質問、6種類のプロンプト条件）に基づき、現在のLLM評価において広く見られる方法論上の欠陥——すなわち、スコアラーの全体的な性能を重要な比較タスクにおける信頼性と同一視する——を明らかにしています。その核心的な主張（各プロンプトを個別に検証し、不確実性を考慮に入れる必要がある）は、明確な実証的根拠と実践的な提言に裏打ちされており、発表日（2026年10月26日）も新鮮で、出典も信頼できるarXivプレプリントプラットフォームです。
2026年10月24日付でarXivに掲載されたAI研究論文は、現在主流のペアワイズ評価手法では、同一のプロンプトに対するすべての応答に共通するスコアリング成分が自動的に相殺されてしまうため、報酬モデルにおける重要な「プロンプトレベルのバイアス」が検証されていないと指摘している。著者らは人間による評価を基準として、既に公開されている18種類のスコアラーに対して監査を実施した結果、HelpSteer2データセットにおいて、6つのモデルではスコアの分散の34％～64％がプロンプトそのものに起因しており、一方で人間の評価ではこのような現象はほとんど見られなかったことを明らかにした。
注目する理由：本研究は、大規模言語モデルのアライメントプロセスにおいて長らく見過ごされてきた根本的な欠陥を指摘している――すなわち、報酬モデルによるスコアリングが応答の質そのものではなく、提示文に強く依存している点である。また、本研究の方法論（人間基準による審査、プロンプトの置換、分散分解）は再現性が確保されており、結論は実証的分析に基づいており、複数の主流なオープンソースの評価ツールを網羅しているため、嗜好最適化、RLHF、および安全評価の実践に対して直接的な警鐘を鳴らすものとなっている。
2026年10月24日に公開されたarXiv論文（2610.31017v1）は、文書レベルのLoRAアダプター評価において、オープンブックスコアリングはアダプターが対象文書の知識を実際に符号化しているかどうかよりも、モデルの即時読解能力に強く依存していることを示していると指摘している。ランダムなアダプターは、オープンブックタスクにおいて専門家向けアダプターの優位性の82％を再現できるが、ソーステキストを持たないクローズタスクではわずか2％しか再現できず、統計的にゼロと区別できないという結果となった。
注目する理由：本研究は、系統的な制御実験（Wikipedia記事150件、Llama-3.1-8B-Instructモデル、二重タスク比較）を通じて、現在のオープン書評価パラダイムの根本的な限界を明らかにした。すなわち、この手法では「読むこと」と「記憶すること」を効果的に区別できず、知識編集型および検索型アダプターの実際の有用性に対して方法論上の課題をもたらしている。さらに、論文では「一見きれいだが誤った結果」を招く静かなエラーが4つ報告されており、再現性に関するリスクが浮き彫りになっている。
本論文は、ワクチン接種および移民に関するトゥイートデータ（各投稿は5人のアノテーターによって独立してラベル付けされている）を基に、既存のファインチューニングモデルがエンティメム検出タスクにおいてF1スコアが常に約0.67で頭打ちとなることを明らかにした。これを受け、著者らは単一ラベルによる評価パラダイムを放棄し、アノテーターの意見分布を捉える新たな指標を採用するとともに、その分布を直接予測できるモデルを設計することで、F1スコアを低下させることなく人間の判断の相違をより適切に捉えられるよう提案している。
注目する理由：本論文は、NLP分野で長らく見過ごされてきた「アノテーター間の意見相違こそが本質的な特徴である」という現実に正面から向き合っている――特に政治的に敏感な文脈においては、エンティメの識別は主観的推論に大きく依存する。その方法論上の転換（点予測から分布予測への移行）と、言説構造の限界を実証的に明らかにした点は、コンテンツ審査システムの設計に対して明確な警鐘を鳴らしている：多数決に基づいて学習させたモデルは、深い文脈推論を要する隠れた論証を体系的に見落とすおそれがある。
arXiv:2610.30296v1 発表タイプ：新規 要旨：大規模言語モデル（LLMs）は、低資源言語および多言語NLPに関する研究を加速させてきたが、公平な研究環境の実現にどの程度寄与しているかについては未だ明らかになっていない。本研究では、2020年から2025年にかけて公開された査読付きオープンアクセス論文1,158件を対象に、低資源言語（LRLs）への研究関心や、言語・話者集団間の代表性を分析した。出版数以外の観点から言語的包摂を評価するため、研究成長、代表性拡充、代表性継続性、分布的公正性の4つの次元で言語的包摂を測定する多次元フレームワーク「言語的包摂フレームワーク（LIF）」を提案する。年間の論文数は52件から415件へと5.4倍に増加した一方で、ACLアンソロジーにおける
