タイムライン検索

2026年5月29日

arXiv:2605.29168v1 文書の発表。質問応答（QA）はAIの中核的な課題であり、特に複数の文書間でのマルチホップ推論や集約や完全リスティングなどのシンボリック操作を必要とする複雑なクエリに対応する必要があります。検索拡張生成はQAの主流アプローチとなり、最近のグラフベースのバリアントが追加されています。

arXiv cs.AI

2026年6月1日

知能の中核をなす関係推論が存在するが、既存ベンチマークは通常グリッドやテキストなどの形式に限定されている。グラフ構造データに対する抽象推論のベンチマークGraphARCを紹介し、Abstract Resoning Corpus（ARC）の少数ショット変換学習パラダイムを一般化する。

arXiv cs.AI

2026年6月1日

エージェントベンチマークはますます豊富なインタラクション軌跡を記録していますが、評価では各ロールアウトを合格率または報酬スコアに還元することが多いです。TraceGraphは、リリースされたマルチモデルエージェント軌跡を共有決定ランドスケープに変換するグラフベースのフレームワークを紹介します。

arXiv cs.AI

2026年6月2日

入力によってサポートされていない特定の事実を含む可能性のあるマルチモーダル生成のファクトレベルの修復を研究します。既存の推論時間修復方法は、入力と現在の出力の両方を条件として、フィードバックを生成します。この設計には2つの制限があります。

arXiv cs.AI

2026年6月19日

生成AIを活用した推薦システムが進化する中で、ユーザーの過去の行動履歴から次の行動を予測する新たな手法に注目が集まっています。従来のシステムでは、複雑なユーザー行動パターンやアイテムが持つ意味合いを十分に捉え、推薦モデルに組み込むことが困難でした。 こうした課題に対し、最新の研究では、包括的なグラフベースのアプローチを取り入れたスケーラブルなフレームワーク「G2Rec」が提案されています。このフレームワークは、ユーザーの興味に関する分散した情報を整理し、トークン化することで、推薦システムがより詳細なユーザーコンテキストを理解し、次のインタラクションを高い精度で予測できるようにすることを目指しています。G2Recのような新しい技術が実用化されれば、私たちの日常生活における製品やコンテンツの推薦が、これまで以上に個々のニーズに合った、よりパーソナライズされたものになることが期待されます。 引用元: arXiv cs.AI

arXiv cs.AI

2026年6月24日

グラフベースのテキスト分類モデルは、通常、局所的な近傍集約に依存し、意味的な文書グラフが強力なクラス一致クラスタリングを示すにもかかわらず、グローバルなコミュニティ構造を見落としています。これを無視すると、クラス境界が不明瞭になり、過度の平滑化につながる可能性があります。本稿では、クロスエントロピーとモジュラリティベースの補助目的を共同で最適化し、クラスに一致する文書コミュニティを促進すると同時に、識別表現を維持する、テキスト分類のためのモジュラリティを考慮したグラフニューラルネットワークであるModTGCNを提案します。モジュラリティ項は、トランスフォーマー埋め込み（事前学習済みまたはファインチューニング済み）から派生した文書間類似性グラフで計算されます。スケーラビリティを向上させるために、元の異種TextGCNグラフを文書-単語および単語-単語の個別のコンポーネントに分離し、トレーニング速度を2倍から10倍向上させました。さらに、モジュラリティ最適化のためのグラフ構築戦略、ラベルを意識したエッジ再重み付け、および監視の選択について研究します。

arXiv cs.CL

2026年6月25日

自動音声認識（ASR）システムは、全体的な単語誤り率は低いものの、固有表現、否定、感情表現などの意味的に重要なトークンに不均衡に影響を与える残存する語彙的誤りを生成します。これらの誤りは、ランダムなノイズではなく音韻的な類似性から生じる構造的なものであることが多く、単純なトークンレベルの訂正では不十分です。本稿では、音韻グラフモデリングと文脈言語理解を組み合わせた、G-SPINと呼ぶ構造化ASR訂正フレームワークを提案します。まず、グラフニューラルネットワーク（GNN）が、フラグ付けされたトークンに対して音響的に妥当な候補近傍を構築し、訂正検索空間を音韻的代替案に明示的に制限します。次に、マスク言語モデル（MLM）がローカルな文脈スコアリングを提供し、指示チューニングされた大規模言語モデル（LLM）が、このコンパクトな候補セットに対して最終的な文脈認識再ランキングを実行します。構造化された音韻的推論と文脈意味的選択を分離することにより、本手法は制約のない生成を回避しつつ、訂正精度を向上させます。このフレームワークは軽量でモジュール化されており、推論時に完全に動作します。

arXiv cs.CL

2026年6月26日

患者はオンラインで薬剤情報を求めることが増えているが、精神科薬の安全性に関する知識は、権威的だが抽象的な規制当局の有害事象記録と、体験に近いが検証されていない患者の体験談との間で分断されている。証拠と個人的な体験談を混同せずに統合することは、精神医学において特に重要である。なぜなら、文脈化が不十分な情報は、恐怖、プラセボ効果、服薬アドヒアランスの低下を増幅させる可能性があるからだ。本研究では、9つの抗うつ薬について、466,525件のReddit投稿、60,782件のWebMDレビュー、および米国FDA有害事象報告システム（FAERS）の20年間の記録を統合する、由来を認識する知識グラフベースのマルチエージェントフレームワークを開発した。医師の注釈と比較してベンチマークされた大規模言語モデルのエンティティ認識パイプラインは、薬剤で0.969、病状で0.973という最高のF1スコアを達成した。

arXiv cs.AI

2026年7月3日

近似最近傍（ANN）探索のためのグリッドベースアプローチは、現代のスケーリング分析からは欠落していました。本稿では、データセットサイズNと次元数dに関するマルチプローブグリッドアルゴリズムの体系的な特徴付けを提示します。実験により、GloVe埋め込みファミリにおいて、これまで報告されていなかったdスケーリングのクロスオーバーが明らかになりました。このクロスオーバーにおいて、マルチプローブグリッド探索は他のグラフベース、ツリーベース、パーティショニングベースの方法がスループットの低下を示すのに対し、ほぼ一定の次元スケーリング指数を維持します。この利点は、Nにおけるほぼ線形のクエリのスケーリングと、競合するANN手法よりも低いインデックス作成コストと引き換えに得られます。本研究の結果は、マルチプローブグリッドのようなグリッドベースの手法が、インデックス作成コストと次元ロバスト性がパフォーマンスを決定する、再構築が多い、あるいは高次元の設定で競争力を持つ可能性を示唆しています。より広範には、最近の研究は自己注意機構をANN操作として形式化しました。

arXiv cs.LG

2026年7月7日

マルチプロダクトキッティング配送は、処理と組立を統合したハイブリッド製造システムにおけるリアルタイムスケジューリングに大きな課題をもたらします。これは、動的な注文到着が同時に供給依存関係と実行可能なジョブ・マシン割り当てのセットを変更するためです。本論文では、複雑なキッティング制約を持つ柔軟な組立フローショップスケジューリング問題におけるエンドツーエンドのオンラインスケジューリングのために、スライディングウィンドウベース強化学習（SWRL）フレームワークを提案します。この問題は、二層キッティング構造と疎な報酬ランドスケープを生み出すテールプロダクトボトルネックダイナミクスを捉える、異種グラフベースマルコフ決定プロセスとして定式化されます。

arXiv cs.AI

2026年7月15日

ソーシャルメディアにおける偽情報ナラティブの検出は、増幅の規模、急速な進化、オンラインコンテンツの言語的多様性により困難です。本研究では、ウィーク・スーパービジョンと伝播グラフ分析を組み合わせたグラフベースのフレームワークを提案し、Telegramエコシステムにおける偽情報ナラティブの特定と分析を行います。このアプローチは、意味的に関連する主張をナラティブレベルのクラスターに集約し、相互接続されたチャンネルを横断するその拡散をモデル化します。これにより、投稿レベルの分析だけでは捉えにくい、連携したナラティブ増幅の検出が可能になります。我々の結果は、テキスト信号とネットワーク構造を統合することで、偽情報ナラティブを検出するためのスケーラブルな方法が提供され、大規模なメッセージング環境内でそれらがどのように拡散するかについての洞察が得られることを示しています。

arXiv cs.CL

2026年7月20日

因果関係と介入に基づく質問応答は、大規模言語モデル（LLM）を表面的な相関関係を超えた推論や、根本的な因果メカニズムの理解へと進歩させる上で不可欠です。しかし、既存のLLMベースの手法は、しばしば暗黙的な言語レベルの推論に依存しており、その結果、不透明な因果的仮定、検証不可能な推論パス、そして特にコンテキストフリーな設定における複雑な介入下での脆弱な予測につながります。本稿では、コンテキストフリーな介入ベースの質問応答のための、明示的で監査可能な因果推論フレームワークを提案します。我々の手法は、暗黙的なエンドツーエンド予測ではなく、4つのモジュール化された段階を経た明示的な因果グラフ上の構造化推論として因果推論を定式化します。主要な革新は、ターゲット変数をグラフ拡張中のコア制約として扱うターゲット認識型因果グラフ構築戦略であり、これにより無関係な変数、偽の因果関係、推論ノイズを効果的に抑制します。さらに、単一連鎖推論を超えた堅牢な意思決定を可能にする、複数の因果パスを組み合わせ、補強効果と相殺効果の両方をモデル化するパスレベルの因果証拠集約メカニズムを導入します。

arXiv cs.AI