見出し・要約・本文から、情報のつながりを探します。
arXiv:2610.37867v1 発表タイプ：新規 要旨：食品の類似性は、検索、推薦、代替など、さまざまな食品コンピューティングタスクの基盤となっているが、従来の食品表現の評価は主に同一性の保持に依拠している。そこで私たちは、同一性を超えた食品の類似性にはどのような変化が生じるのか、異なる視覚表現が食品をいかに関係的な近隣群として構成し、それらの近隣群がどのような料理上の関係を明らかにしたり隠蔽したりするのか、さらに、こうした構造が表現間でどの程度一貫して現れるのかを問う。インド料理は、視覚的に類似する食品であっても異なる料理上のアイデンティティを持つことがあり、一方で同じ料理ファミリーに属する食品でも外見が大きく異なるという、極めて挑戦的な状況を提供する。拡張されたKhanaデータセットと、畳み込み型、トランスフォームァー型を網羅する7つの事前学習済み視覚表現を用いて
arXiv:2610.37679v1 発表タイプ：新規 要旨：ツールを利用する言語エージェントは間接的なプロンプトインジェクションに対して脆弱であり、不安全な動作が実行される前にそれを検出するためにモデルの内部構造を調査する研究が増加しているものの、その結果には著しく矛盾したものが見られる。我々は、こうした矛盾の多くは評価手法に起因するものであると主張し、評価および学習集団の両方において、インジェクションへの曝露と行動上のコミットメントを明確に分離する二層化プロトコルを提案する。主要なQwen AgentDojoのグリッド上で、素朴な不安全対その他との混合対比に基づいて訓練されたモニターは、ほとんどが曝露の認識に注力しており、エージェントがそれに従うかどうかにかかわらず曝露された軌跡をフラグ付けする一方で、どのケースが不安全になるかを予測することはほとんどできない。曝露事例のみを対象に再訓練した場合でも、同じ種類のプローブは、モデル自身による不安全なツール呼び出しを最大2秒前まで予測できる。
arXiv:2610.33065v1 発表タイプ：新規 要旨：頭皮上の記録はノイズが多く、空間的に粗く、試行間および被験者間で変動するため、EEGによる視覚デコーディングは依然として困難である。多くのシステムでは、各試行を高密度な画像埋め込みに位置合わせしているが、その埋め込みには意味内容と、インスタンス固有のテクスチャ・姿勢・背景が混在している。このような手法では、EEGには存在しない詳細情報を必要とする上、予測を支える視覚的要因について明示的な説明を提供していない。そこで私たちは、共有可能な学習可能な視覚コードブックに基づくソフトな合成としてEEG–画像の位置合わせを再定式化する、プロトタイプ媒介型フレームワークである\textbf{ProtoEEG}を提案する。学習可能なEEGエンコーダーと固定された視覚教師が、同一の$K=64$個のプロトタイプに対する割り当て分布を生成し、それらの重み付けされた再構成が構造化された表現を形成する。
arXiv:2610.33440v1 公告タイプ：新規 要旨：既存の質問応答データベースから医療用言語モデルを適応させる際、コンパクトな学習サブセットを選択することは重要なステップである。本研究では、最終層表現に対するガウス分布による摂動から導かれる二つの指標—予測変化頻度と非フリッピングマージン収縮—を用いた摂動ベースのデータ選択手法を検討する。共通のエントロピーによる事前フィルタリングを経た後、表現感度優先順位付け（RSP）は自動的な平方平均スケーリングによりこれらの指標を組み合わせる一方、RSP-Dropは収縮のみに基づいて候補をランク付けする。両手法とも、選択時には質問と回答選択肢のみを用いる。我々は、MedGemma-4Bを用い、保持セットのサンプル数が64、128、256の各条件下で、5つの医療質問応答データセットに対して評価を行った。主なサンプル数128の条件下では、
arXiv:2610.33433v1 公告タイプ：新規 要旨：新しい文脈での単語の使用に見られる言語生産性は、人間の言語に関する最も顕著な事実の一つである。しかし、このような生産性を可能にする知識がどれほど抽象的なのかについては、依然として不明である。本研究では、成功した一般化が形態に基づく情報に依存する文脈において、人々と計算言語モデルの言語生産性を比較する。特に、能動態で学習した新しい動詞を受動態の文脈へ拡張するという課題に焦点を当てる。その結果、人々は、たとえその新しい動詞に妥当な意味を付与できない場合であっても、言語形態に関する抽象的な一般化と整合する形で、能動態から受動態への用法を拡張することが示された。一方で、大規模言語モデルは、既存の動詞に類似した意味を持つ場合にのみ、この拡張に成功した。
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:2610.32109v1 発表タイプ：新規 要旨：言語モデルは、与えられた文書や自身のパラメトリックな知識に基づいて質問に答えることができる。では、後になってその回答の出所を問われた際、どのような基準で出所を報告するのか？本研究では、回答生成後かつ出所に関する質問が提示される前に、モデルのキーバリュー（KV）キャッシュに介入することでこの問題を検討した。4つのモデル（7B～32B）を用いた制御された事実確認タスクにおいて、文書のキャッシュを変更または削除しても、出所の報告内容には一切影響が見られなかった。一方で、同一の質問と回答トークンを用いた複数回の実行間で質問と回答のキャッシュを移植すると、その報告内容は受け渡され、寄贈元の出所報告に従う一方で、受領側の文書内容は変化しなかった。さらに、比較的小規模な2つのモデルでは、出所に関する質問が提示される前に適合させた方向へQ&A値を操作することで、出所の報告内容を意図的に制御することも可能であった。
2026年10月24日、arXivは論文arXiv:2610.30705v1を公開し、因果推論型デコーダーに基づく大規模言語モデル向けの後訓練フレームワークであるULMEを提案しました。この手法は、予測的結合（predictive coupling）メカニズムを用いることで、テキスト埋め込みと言語生成能力を相互に強化しつつ統合することを初めて実現しました。本手法はQwen2.5/Qwen3シリーズ（0.5B～8Bパラメータ）において有効性が確認されており、MTEBスコアで3.3～4.1ポイントの向上を達成するとともに、生成タスク（MMLUなど）の性能も低下させませんでした。
注目する理由：本論文は、現在の多モーダルLLMにおける能力の断片化という核心的な問題を正面から指摘している。すなわち、埋め込みと生成は長らく独立したモデル、あるいはパラメータのみを共有する“疑似統一”モデルによって担われてきた。ULMEは、学習可能なスロットと三目標による共同学習（ストップグレード付き予測損失を含む）により、生成プロセスが埋め込み表現を能動的に形成する仕組みを実現しており、アーキテクチャレベルでの実質的な飛躍である。実験の範囲は広く、ベースラインも強力で、評価指標も網羅的であり、さらに権威あるプレプリントプラットフォームに公開されているため、タイムリーさと技術的厳密性の両面を備えている。
