MLinfo | 機械学習・AI論文まとめ

用途: AIエンジニアリング
難易度: Easy
コスト: High

gradio — Build and share delightful machine learning apps, all in Python. 🌟 Star to support our work!

Pythonでマシンラーニングアプリを作成・共有することができるライブラリです。

強化学習方策勾配 (PPO / A3C)画像

用途: マシンラーニングアプリ作成
難易度: Easy
コスト: Medium

強化学習方策勾配 (PPO / A3C)分類テキスト

paperless-ngx — A community-supported supercharged document management system: scan, index and archive all your documents

paperless-ngxは、コミュニティによってサポートされたスーパーチャージドのドキュメント管理システムで、ドキュメントのスキャン・インデックス・アーカイブが可能である。

用途: ドキュメント管理
難易度: Easy
コスト: Low

MaaAssistantArknights — 《明日方舟》小助手，全日常一键长草！| A one-click tool for the daily tasks of Arknights, supporting all clients.

ゲーム『明日方舟』の支援ツール。全日常のタスクを一括で実行可能。

用途: ゲームの支援ツール
難易度: Easy
コスト: Medium

Gymnasium — An API standard for single-agent reinforcement learning environments, with popular reference environments and related utilities (formerly Gym)

Gymnasiumは、シングルエージェントRLの疑似環境を提供するAPIです。

用途: 疑似環境を提供する
難易度: Easy
コスト: Medium

ART — Agent Reinforcement Trainer: train multi-step agents for real-world tasks using GRPO. Give your agents on-the-job training. Reinforcement learning for Qwen3.6, GPT-OSS, Llama, and more!

ARTは、多段強化学習トレーナーです。このトレーナーは、GRPOを使用して、現実世界のタスクに対して、多段強化学習を行うことができます。

用途: 多段強化学習トレーナー
難易度: Easy
コスト: High

PufferLib — Puffing up reinforcement learning

用途: 強化学習用ライブラリ
難易度: Easy
コスト: Medium

RLinf — RLinf: Reinforcement Learning Infrastructure for Embodied and Agentic AI

この研究では、弾性シミュレーションに基づいて、エピソード間の状態を保つために、リプラスの重みと、エピソードの初期状態を用いました。

用途: 弾性シミュレーション
難易度: Easy
コスト: Medium

An Agency-Transferring Model-Free Policy Enhancement Technique

助け手モデルは、タスクの成果を最大化するために設計されていますが、実際には不適切または不完全な助け手モデルを使用している場合があります。この論文では、元の助け手モデルをRLのトレーニングプロセスに組み込むことで、トレーニ

自然言語処理埋め込み・検索強化学習

用途: 助け手モデル改良
難易度: Hard
コスト: High

Rethinking the Divergence Regularization in LLM RL

この論文では、LLM RLの安定性を向上させるために、離散化と重み付けを用いた分散化されたPPOを提案します。また、安定性の向上によって、大規模言語モデルを用いたRLの適用が可能になります。

用途: LLM RLの安定性向上
難易度: Hard
コスト: High

Topological Neural Operators

この研究では、トポロジカルニューラルオペレータ（TNO）としてのニューラルネットワークの学習を可能にする方法を提案しました。TNOは、セル複素上のデータに基づいて、オペレータを学習し、クロス-次元的な結合を可能にします。

用途: トポロジカルニューラルオペレーターの学習
難易度: Hard
コスト: Medium

Preserving Plasticity in Continual Learning via Dynamical Isometry

この研究では、継続学習における塑性保存を実現するために、ダイナミックアイソメトリを用いて、次世代神経ネットワークの塑性を保存しました。

深層学習正規化・最適化手法

用途: 継続学習における塑性保存
難易度: Hard
コスト: High

Learning to Attack and Defend: Adaptive Red Teaming of Language Models via GRPO

AIリードチームは、進化する攻撃者と防御者に対処するために、継続的対応が必要です。強化学習を使うと、新しい攻撃を探し出すことができ、同時に強化学習を使って防御を強化することもできます。新しいフレームワークAdvGRPOは

用途: 攻撃の応答
難易度: Hard
コスト: High

Safe-RULE: Safe Reinforcement UnLEarning

安全な強化学習のためのデータの削除を提案。データポイズニング攻撃からデータを保護するために、データを削除する方法を提案した。

コンピュータビジョンセグメンテーション強化学習

用途: 安全な強化学習のためのデータの削除
難易度: Hard
コスト: High

Loss-Guided Adaptive Scale Refinement for Molecular Force Prediction

結合作用を考慮した分子力の予測を研究。モデルの推論を効率化するために、モデルのスケールを自動的に調整する方法を提案した。

強化学習方策勾配 (PPO / A3C)埋め込み

用途: 結合作用を考慮した分子力の予測
難易度: Hard
コスト: Low

PriFT: Prior-Support Guided Supervised Fine-Tuning

この研究では、プレトレーニング済みモデルを低レベルタスクに向けて適応化するためのPrior-Support ガイドされた超視覚的フィニートゥニング方法であるPriFT を提案しました。

深層学習軽量化・量子化生成QA強化学習

用途: 低レベルタスクの適応化
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成テキスト強化学習

Reasoning Arena: Trace Tournaments When Verifiable Rewards Fall Short

この研究では、強化学習のトレーニングに使用するRewardsの検証が難しい場合は、Rewardがグループレベルでは無価値で、グループ間の優劣比較が不可能となる問題に対処するためのReasoning Arenaを提案します

用途: 強化学習のトレーニング
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化テキスト強化学習

PBSD: Privileged Bayesian Self-Distillation for Long-Horizon Credit Assignment

この研究では、長期的なタスクの再帰の信用割当問題に対処するために、長期的なタスクの再帰をサポートするPrivileged Bayesian Self-Distillation (PBSD) を提案します。

用途: 低レベルタスクの再帰
難易度: Hard
コスト: High

SG-OPD: Sign-Gated On-Policy Distillation via Sign-Consistency Gating and Phased Teacher Sampling

On-policy distillation (OPD) trains a student on its own trajectories with dense per-token supervision from a

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

品質予測/異常検知自然言語処理大規模言語モデル動画強化学習

Claw-R1: A Step-Level Data Middleware System for Agentic Reinforcement Learning

Agentic reinforcement learning (RL) has become an important post-training paradigm for turning LLMs from stati

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Counterfactual Transport Flows for Offline Conservative Trajectory Refinement

Offline reinforcement learning (RL) offers a path to policy improvement from logged data alone, using historic

説明可能強化学習方策勾配 (PPO / A3C)

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Addressing Market Regime Changes and Heavy-Tailed Returns in Portfolio Optimization via Bayesian VAR and Elliptical Black-Litterman

Deep reinforcement learning (DRL) frameworks for portfolio optimization have shown promise for their ability t

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

From Shortcuts to Reasoning: Robust Post-Training of Theory of Mind with Reinforcement Learning

理論的思考は、最新の基礎モデルシステムが安全かつ効果的に現実世界で動作するには必須のスキルであると考えられています。しかし、理論的思考の進進には、「ショートカット」問題が存在し、タスクは99％の正解率を達成するのに、ただ

自然言語処理RAGテキストマルチモーダル強化学習

用途: 理論的思考の強化問題
難易度: Hard
コスト: High

Stabilizing On-Policy Distillation for MLLM Reasoning with Global Normalization

オンポリシーディストリレーションは、近年、重要なポストトレーニングの研究分野となりました。強い教師モデルを使用して学習トレッジを密に細かく指示することで、トピック認識を実現します。しかしなだな的にトークンレベルにおいてデ

深層学習軽量化・量子化マルチモーダル強化学習

用途: オンポリシーディストリレーション問題
難易度: Hard
コスト: High

A Unifying Lens on Reward Uncertainty in RLHF

Reinforcement learning from human feedback (RLHF) is bottlenecked by \emph{reward hacking}, where the policy e

品質予測/異常検知強化学習RLHF

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

深層学習軽量化・量子化テキストマルチモーダル強化学習

Stage-1 Controls the Entropy Regime, Not the Outcome

Two-stage post-training -- a Stage-1 warm-start (supervised fine-tuning, SFT, or on-policy distillation, OPD)

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Multi-Armed Bandits with Arriving Arms: Sequential Screening, Dynamic Regret, and Sublinear Guarantees

分析モデルを新しいアームが現れる環境でアップデートすることで、最適なアームを選択できるようになります。

用途: 分析モデル更新の最適化
難易度: Hard
コスト: Medium

Collaborative Human-Agent Protocol (CHAP)

この論文では、人機協力における分散型コミュニティを考慮するために、新しいフレームワークを提案する。これにより、分散型人機協力がより効果的に設計できる。

強化学習マルチエージェント生成

用途: 分散型人機協力
難易度: Hard
コスト: Medium

Shape Formation for the Cooperative Transportation of Arbitrary Objects Using Multi-Agent Reinforcement Learning

マルチロボットシステムを用いた物体の輸送は多くの分野、産業から家庭までで不可欠なタスクです。一度の輸送タスクをロボット数台の輸送タスクに分割しそこまでの各タスクを個別に解決します。物体は実際には形状や質量分布が非一様で、

用途: マルチロボットで物体の協力的な輸送
難易度: Hard
コスト: Medium

Emergence of Context Characteristics Sensitivity in Large Language Models

During instruction fine-tuning (IFT), large language models (LLMs) learn to follow instructions by using the p

深層学習Transformerテキスト強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

AliyunConsoleAgent: Training Web Agents in Real-World Cloud Environments via Distillation and Reinforcement Learning

Webエージェントを自動化するためのAliyunConsoleAgentが提案され、ドキュメントの検証とWebエージェントの開発を簡素化する。

用途: Webエージェントの自動化
難易度: Hard
コスト: High

強化学習方策勾配 (PPO / A3C)画像テキスト

PhysScene: A Scene Graph Dataset for Scientific Visual Reasoning in Physics Experiments

Scene Graphs (SGs) provide structured representations of visual scenes by modeling objects and their pairwise

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

センサ/時系列深層学習Transformer生成画像音声

Physics-Guided Sequence-Based Generative Framework for Acoustic Metamaterial Inverse Design

可変化の帯域幅を考慮した、聴覚超材料の逆設計における新しいフレームワークである Physics-Guided Sequence-Based Generative Framework for Acoustic Metama

用途: 可変化の帯域幅を考慮した、聴覚超材料の逆設計
難易度: Hard
コスト: High

Self-Paced Curriculum Reinforcement Learning for Autonomous Superbike Racing in Simulation

自動走行に利用されるAIエージェントを、超バイクの自律走行の実現に使えるようにするフレームワークを提案し、超バイクの自律走行を実現している。

用途: 超バイクの自律走行を実現するためのフレームワークの提案
難易度: Hard
コスト: High

A Regret Minimization Framework on Preference Learning in Large Language Models

強化学習（RL）では、与えられた問題に対して、正しいアクションを見つけることを目的としたことが多いが、人間のフィードバックから学習する場合、人間の意思決定の選択のための意思決定のフレームワークを構築する必要性から、可否決

用途: 可能な行動の選択のための意思決定フレームワーク
難易度: Hard
コスト: High

Autonomous Incident Resolution at Hyperscale: An Agentic AI Architecture for Network Operations

CloudNetwork Infrastructureの自動的なインシデント解決のため、新しいAgentic AI Architectureを提案。

用途: 自動的なインシデント解決
難易度: Hard
コスト: Medium

MI向き深層学習軽量化・量子化テキストマルチモーダル強化学習

Personalization Meets Safety:Mechanisms,Risks,and Mitigations in Personalized LLMs

Large Language Models (LLMs) have enabled increasingly personalized interactions by adapting to users' prefere

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

コンピュータビジョンマルチモーダルQA画像テキスト

Baichuan-M4: A Clinical-Grade Medical Agent System for Continuous Care

連続的な治療に適した臨床級LLM医系であるBaichuan-M4を導入。臨床的な医療エージェントシステムであるBaichuan-M4は、統合的な医療エージェントシステムをベースとし、医療エージェントと医療エージェントの連

用途: 統合医療医系のためのLLMベースの医療エージェント
難易度: Hard
コスト: High

Diverse Thinking Schemata Elicit Better Reasoning in Large Language Models

Large reasoning models (LRMs) have attracted increasing attention for their ability to solve complex mathemati

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

AlloSpatial: Agentic Harness Framework for Spatial Reasoning in Foundation Models

Multimodal Foundation Models (MFMs) have made substantial progress, yet remain fragile in spatial reasoning ov

自然言語処理RAG画像マルチモーダル強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

強化学習方策勾配 (PPO / A3C)生成要約検索

Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS)

This report summarizes the CHIIR 2026 Workshop on Generative AI and Academic Search (GAI\&AS), which examined

用途: 生成
難易度: Hard
コスト: Low

The Neutral Mask: How RLHF Provides Shallow Alignment while Leaving Partisan Structure Intact in a Large Language Model

この研究では、大規模言語モデルの安全性を評価するためのフレームワーク、PsychoSafe を開発します。このフレームワークは、大規模言語モデルの安全性を評価し、潜在的なリスクを軽減することができます。

自然言語処理大規模言語モデル生成テキスト強化学習

用途: 大規模言語モデルの安全性評価
難易度: Hard
コスト: High

One Model, Multiple Goals: Adaptive Multi-Objective Learning for E-commerce Dialogue Systems

Dialogue systems in e-commerce scenarios often need to satisfy multiple objectives: accurately reasoning over

MLOpsモデルデプロイ生成強化学習

用途: 生成
難易度: Hard
コスト: Medium

品質予測/異常検知自然言語処理大規模言語モデル要約テキスト強化学習

Multilingual Sentiment Aware Text Summarization A Reinforcement Learning Approach for Consistency Maintenance

Reinforcement Learning from Human Feedback (RLHF) has significantly improved the quality and fluency of large

用途: 要約
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル画像テキスト動画

CapRL++: Unified Reinforcement Learning with Verifiable Rewards for Dense Image and Video Captioning

Image and video captioning are fundamental tasks that bridge the visual and linguistic domains, playing a crit

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformer検出画像テキスト

Temporal-Aware Reasoning Optimization for Video Temporal Grounding

Multi-modal Large Language Models (MLLMs) have achieved remarkable progress in video temporal grounding with r

用途: 検出
難易度: Hard
コスト: High

Modeling Components and Connections in Cyber-Physical Systems

Text based configuration files for cyber-physical systems show the hierarchy of component modules well but oft

強化学習モデルベース画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics

Accurate dynamics models are essential for model-based robotic control, yet nominal Euler--Lagrange models oft

強化学習モデルベース回帰

用途: 回帰
難易度: Hard
コスト: Medium

$ω$-EVA: Envision, Verify, and Act with Latent Interactive World Models

Embodied policies typically map current observations directly to actions, leaving candidate-action consequence

強化学習モデルベース生成画像動画

用途: 生成
難易度: Hard
コスト: High

TORL-VLA: Tactile Guided Online Reinforcement Learning for Contact-Rich Manipulation

Vision-Language-Action (VLA) models have become a powerful framework for robotic manipulation, and recent stud

深層学習軽量化・量子化マルチモーダル強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

RPO-PDT: Demonstrating Role-Play-Based Knowledge Adaptation for Student Support Dialogue (Demonstration System)

We present RPO-PDT: a retrieval-grounded, role-play-based dialogue system for adaptive student support in high

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

Can we stabilize an inverted pendulum with feedback from a time-of-flight camera?

Time-of-flight cameras are popular in robotics for providing direct depth information while being compact, ine

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

githubGitHubあり2026-06-08

ml-agents — The Unity Machine Learning Agents Toolkit (ML-Agents) is an open-source project that enables games and simulations to serve as environments for training intelligent agents using deep reinforcement learning and imitation learning.

Unityを使用してマシンラーニングエージェントを訓練して訓練できるツールです。

コンピュータビジョン3D・点群3D強化学習

用途: Unityでマシンラーニングエージェント
難易度: Easy
コスト: High

sGPO: Trading Inference FLOPs for Training Efficiency in RLVR

Standard Reinforcement Learning with Verifiable Rewards (RLVR) training allocates a fixed rollout budget to ev

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Knowledge Graphs and Reasoning LLMs for Finding Simple Yet Effective Transcriptomic Perturbation Predictors

Predicting the effect of an unseen gene knockout perturbation on transcriptomic gene expression remains a high

自然言語処理大規模言語モデル異常検知強化学習

用途: 異常検知
難易度: Hard
コスト: High

Momentum for Reasoning: Dense Intrinsic Signals in Policy Optimization

Reinforcement learning with verifiable rewards (RLVR) has emerged as a powerful paradigm for eliciting long-ch

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能品質予測/異常検知強化学習モデルフリー (DQN / SAC)

arxivGitHubあり2026-06-07

Scaling Decision-Focused Learning to Large Problems with Lagrangian Decomposition

Decision-focused learning has shown great promise for addressing predict-then-optimize problems, particularly

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Reformulate LLM Reinforcement Learning for Efficient Training under Black-box Discrepancy

Reinforcement Learning (RL) has emerged as a pivotal post-training paradigm, yet it frequently suffers from un

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

深層学習Transformer予測テキスト強化学習

Towards Long-Horizon Vessel Trajectory and Destination Forecasting with Reasoning Large Language Models

Long-horizon maritime trajectory prediction is important for shipping management, logistics planning, and mari

用途: 予測
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化マルチモーダル強化学習

Reinforcement Learning for Flow-Matching Policies with Density Transport

We present an online reinforcement learning (RL) algorithm for fine-tuning flow-matching policies in continuou

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化テキスト強化学習

Autonomous Aerial Manipulation via Contextual Contrastive Meta Reinforcement Learning

Unmanned aerial vehicles (UAVs) are increasingly being deployed in logistics, service robotics, and other real

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

A Switching Beamformer for Highly Non-Stationary Environments

Adaptive beamforming is a cornerstone of array signal processing, yet its performance often collapses in the f

強化学習マルチエージェント検出

用途: 検出
難易度: Hard
コスト: Medium

品質予測/異常検知強化学習方策勾配 (PPO / A3C)検出

AI-Augmented Closed-Loop Quality Engineering: A Reference Architecture for Continuous Software Quality Intelligence

The quality of software engineering is still under a challenge due to disjointed processes between requirement

用途: 検出
難易度: Hard
コスト: Medium

Evaluating AI Investment Strategies

We study the problem of auditing a black-box algorithmic decision-maker from observable inputs and outputs alo

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンセグメンテーション強化学習

Structure-Conditioned Actor-Critic Branches for Quality-Diversity Reinforcement Learning

Quality-diversity reinforcement learning (QD-RL) aims to construct policy repertoires that contain both high-p

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Co-Evolving Skill Generation and Policy Optimization

Skill-augmented reinforcement learning improves language agents by storing reusable procedural knowledge acqui

用途: 生成
難易度: Hard
コスト: High

From Player to Master: Enhancing Test-Time Learning of LLM Agents via Reinforcement Learning over Memory

Large language model (LLM) agents are increasingly deployed in long-running settings where improving through e

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル生成テキスト強化学習

From Holistic Evaluation to Structured Criteria: Rubrics Across the Evolving LLM Landscape

As Large Language Models (LLMs) advance toward open-ended autonomous agents, the mechanisms used to evaluate a

用途: 生成
難易度: Hard
コスト: High

Ishigaki-IDS: An Open-Weight Verifier-Aware Model for Information Delivery Specification Drafting in Building Information Modeling

Building Information Modeling (BIM) projects require information requirements to be described as machine-check

自然言語処理大規模言語モデル生成強化学習

用途: 生成
難易度: Hard
コスト: High

Back on Track: Aligning Rewards and States for Reasoning in Diffusion Large Language Models

Reinforcement learning (RL) holds immense promise for enhancing the reasoning capabilities of diffusion large

自然言語処理大規模言語モデル生成テキスト強化学習

用途: 生成
難易度: Hard
コスト: High

PRPO: Perception-Reinforced Policy Optimization via Token-Level Dynamic Advantage Reshaping

Reinforcement Learning with Verifiable Rewards (RLVR) has become an effective paradigm for improving the reaso

自然言語処理RAG画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

表形式向きコンピュータビジョン動画認識生成画像テキスト

DriveReward: A Comprehensive Dataset and Generative Vision-Language Reward Model for Autonomous Driving

Reward models play a pivotal role in reinforcement learning (RL) and multi-modal trajectory selection for auto

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション生成マルチモーダル強化学習

Guided Discovery of New Behaviors using Diffusion Policies

Diffusion models have become a powerful tool for generative modeling in robotics, with diffusion policies exce

用途: 生成
難易度: Hard
コスト: High

Safe, Fluent and Acceptable Motion Generation and Execution for Human--Robot Interaction in Manufacturing Environments

Robots operating in human environments must not only ensure physical safety but also exhibit behaviors that ar

品質予測/異常検知強化学習生成テキスト

用途: 生成
難易度: Hard
コスト: Medium

HARBOR: A Harness Framework for Agentic Robot Reinforcement Learning

Reinforcement learning (RL) has become a powerful paradigm for robot learning, particularly in sim-to-real set

機械学習特徴量エンジニアリング強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Real-IKEA: Physical Fidelity is the Prerequisite for Robust Manipulation

Robotic manipulation robustness often founders on the physics gap between simplified simulations and the resis

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

センサ/時系列深層学習軽量化・量子化画像テキスト強化学習

Towards End to End Motion Planning and Execution for Autonomous Underwater Vehicles Using Reinforcement Learning

Autonomous Underwater Vehicles (AUVs) traditionally rely on complex, heavily engineered pipelines for percepti

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

EFX for Additive Chores: Nonexistence, Pareto Incompatibility, and Bi-Valued Existence

We consider the fair division problem of indivisible chores and resolve the long-standing open problem for the

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Variational Proximal Policy Optimization

Reinforcement Learning from Human Feedback via Proximal Policy Optimization often suffers from policy mode col

自然言語処理RAGテキスト強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

説明可能品質予測/異常検知強化学習方策勾配 (PPO / A3C)

Barycentric Projections of Optimal Transport Plans on Riemannian Manifolds

Optimal transport couplings are probabilistic objects, while many learning pipelines require deterministic map

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

CATPO: Critique-Augmented Tree Policy Optimization

Reinforcement learning with verifiable rewards (RLVR) has become a dominant paradigm for improving the reasoni

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

ConSteer-RL: Steering Reasoning Capabilities in Large Language Models via Confidence-Aware Reinforcement Learning

Reinforcement Learning from Verifiable Rewards (RLVR) has recently become a key paradigm for improving the rea

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能品質予測/異常検知自然言語処理大規模言語モデル画像テキストマルチモーダル

arxivGitHubあり2026-06-06

Robust-U1: Can MLLMs Self-Recover Corrupted Visual Content for Robust Understanding?

Multimodal Large Language Models (MLLMs) have demonstrated remarkable success in visual understanding, yet the

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル翻訳テキスト強化学習

Rewrite to Translate, Translate to Reward: Reinforcement Learning for Source Rewriting in Machine Translation

Although directly prompting off-the-shelf Large Language Models (LLMs) to generate meaning-preserving source r

用途: 翻訳
難易度: Hard
コスト: High

Customer-Agent: Overcoming Context Limitations in Ultra-Long Shopping Trajectories via Tool-Augmented Agents and RLVR

Understanding customer shopping trajectories is essential for enabling personalized shopping experiences. Howe

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル要約テキスト

ROSUM-MCTS: Monte Carlo Tree Search-Inspired HDL Code Summarization with Structural Rewards

Large language models (LLMs) have shown promise in code summarization, yet their effectiveness for Hardware De

用途: 要約
難易度: Hard
コスト: High

Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking

Enabling humanoid robots to operate in complex, dynamic environments remains a critical challenge, fundamental

深層学習軽量化・量子化3D強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Disturbance-Aware Aerial Robotics for Ethical Wildlife Monitoring

Reliable wildlife monitoring is essential for ecology and conservation, yet many existing methods, such as tag

品質予測/異常検知強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

MI向きセンサ/時系列強化学習方策勾配 (PPO / A3C)検出

Vision-Guided Dual-Arm Humanoid Robotic Disassembly of End-of-Life 18650 Lithium-ion Battery Packs

The growing volume of retired lithium-ion battery packs from electric vehicles and portable electronics calls

用途: 検出
難易度: Hard
コスト: Medium

Learning Predictive Control with Deep Koopman Operators for Autonomous Vehicle Motion Planning

Model Predictive Control (MPC) is widely used for autonomous-vehicle (AV) motion planning, but its real-time a

説明可能深層学習軽量化・量子化生成強化学習

用途: 生成
難易度: Hard
コスト: Medium

Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations

Soft-bodied organisms such as octopuses and elephant trunks exhibit remarkable morphological adaptability, dyn

MI向き自然言語処理埋め込み・検索強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Continual Quadruped Robots Coordination via Semantic Skill Discovery

Multi-quadruped coordination has attracted increasing attention due to its enhanced payload capacity, broader

自然言語処理RAGテキスト動画強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Cybernetic Android Avatar "Yui": System Integration, Field Deployment, and Evaluation

Remote communication technologies have become widely used; however, supporting a sense of shared physical spac

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Cooperative Long Rope Skipping via Multi-Agent Reinforcement Learning

Humans exhibit remarkable motor agility, enabling a wide range of dynamic skills such as running and jumping,

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

MuJoCo-Drones-Gym: A GPU-Accelerated Multi-Drone Simulator for Control and Reinforcement Learning

Robotic simulators are a cornerstone of modern research in aerial robotics, serving both as a vehicle for the

自然言語処理RAGセグメンテーション強化学習

用途: セグメンテーション
難易度: Hard
コスト: High

少数データ向き深層学習軽量化・量子化生成マルチモーダル強化学習

Q-VGM: Q-Guided Value-Gradient Matching for Flow-Matching VLA Policies

We propose Q-Guided Value-Gradient Matching (Q-VGM), an off-policy reinforcement learning (RL) method that tac

用途: 生成
難易度: Hard
コスト: High

X-OP: Cross-Morphology Whole-Body Teleoperation via MPC Retargeting

Whole-body teleoperation is essential for scalable robot data collection in loco-manipulation tasks, yet exist

深層学習Transformer異常検知強化学習

用途: 異常検知
難易度: Hard
コスト: High

githubGitHubあり2026-06-06

Awesome-Process-Reward-Models — A comprehensive collection of process reward models.

医療では、イメージャは単に画像を解釈するのではなく、複数の画像を比較して診断を行うことが多い。しかし、現在の技術ではこのような比較を行うことは困難であるため、メドリコのDBというデータセットを利用することで、医療の比較推

強化学習RLHF

用途: 医療における画像の比較
難易度: Easy
コスト: Medium

Partially Performative Prediction

Performative prediction studies feedback loops that arise when predictive models are deployed in consequential

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能MI向きセンサ/時系列強化学習方策勾配 (PPO / A3C)画像

Instrumented data for causal scientific machine learning

Scientific machine learning is limited less by model size than by the data it is trained on. Observational dat

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Automatic, Debiased, and Invariant Counterfactual Generation under General Interventions

Generative models for counterfactual outcomesは、決定をサポートするために複雑な干渉に対して、潜在的な結果を生成するための優れたポテンシャルを持っています。しかし、対象外データ

強化学習方策勾配 (PPO / A3C)生成回帰

用途: 再現性の低いデータに対して対象外データの生成
難易度: Hard
コスト: Medium

Path Planning Using Deep Deterministic Policy Gradient: A Reinforcement Learning Approach

Path-planning for autonomous vehicles in threat-laden environments is a fundamental challenge because the prob

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Affordance-Based Hierarchical Reinforcement Learning for Quadruped Pedipulation

The object manipulation capabilities of quadruped robots is an open research challenge. While previous studies

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

On orbital stabilization of a circular motion primitive for a dynamic extension of the Dubins car model

この論文では、Dubins車モデルの動的拡張に基づく円形運動原理の軌道安定化を扱った。軌道安定化を実現するために、非線形化の手法とコントローラ設計の条件を提案し、非線形化の手法が安定化につながることを確認した。

用途: 軌道安定化の開発
難易度: Hard
コスト: Medium

Re-imagining ISO 26262 in the Age of Autonomous Vehicles: Enhancing Controllability through Transferability and Predictability

The ISO 26262 standard defines functional safety for road vehicles through risk assessments based on Severity,

用途: 自律走行車の安全性を向上させる
難易度: Hard
コスト: Medium

Rapid co-design of Buoyancy-assisted robots for Challenging Locomotion using Gaussian Evolutionary Specialists

この論文では、水上ロボットの設計の高速化のための新しい方法を提案した。Gaussian Evolutionary Specialists（GES）を用いた設計システムを用い、ロボットの形状と制御を同時に最適化することがで

コンピュータビジョンセグメンテーション強化学習

用途: 水上ロボットの設計の高速化
難易度: Hard
コスト: High

Simulation-Driven Imitation Learning for Biosignals-Free Shared-Autonomy Prosthetic Grasping

この論文では、上肢義手の操業を可能にするビオシグナルなしの制御システムを提案した。IMITATION LEARNINGを用い、シミュレーションを用いて、達成可能な範囲を拡大した。

強化学習生成

用途: ビオシグナルなしで上肢義手の操業を可能にする制御システム
難易度: Hard
コスト: High

An Abstract Architecture for Explainable Autonomy in Hazardous Environments

この論文は、人間の労働者が自律ロボットを使用および制御できる自律ロボットの開発を取り巻く説明を検討します。自律ロボットは危険な状況で人間の労働者を保護することができますが、これらのシステムの信頼される操作を可能にするため

説明可能強化学習方策勾配 (PPO / A3C)

用途: 危険環境でのロボットの自律性
難易度: Hard
コスト: Medium

Shield-Loco: Shielding Locomotion Policies with Predictive Safety Filtering

この論文では、Reinforcement Learning（RL）ポリシーを用いて安全ロボット制御を実現した。Shield-Locoは、安全な制御を提供するための予防的安全フィルタリングを実装し、ロボットの安全な行動を導

コンピュータビジョンセグメンテーション強化学習

用途: 安全ロボット制御
難易度: Hard
コスト: High

説明可能品質予測/異常検知強化学習方策勾配 (PPO / A3C)

Predictive Style Matching: Natural and Robust Humanoid Locomotion

Reinforcement learning has become the prevailing approach to humanoid locomotion control: policies transfer re

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Mission-Level Runtime Assurance Framework for Autonomous Driving

This paper studies runtime safety for autonomous driving when high-level driving commands become faulty or unr

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

T-GMP: Terrain-conditioned Generative Motion Priors for Versatile and Natural Humanoid Locomotion

Achieving both anthropomorphic naturalness and robust terrain traversal remains a fundamental challenge in hum

生成AIGAN生成強化学習

用途: 生成
難易度: Hard
コスト: Medium

STRIPS-WM: Learning Grounded Propositional STRIPS-style World Models from Images

Robots performing long-horizon visual manipulation observe high-dimensional images, but successful plans depen

強化学習モデルベース画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

センサ/時系列自然言語処理プロンプトエンジニアリング分類強化学習

Learning All-Terrain Locomotion for a Planetary Rover with Actively Articulated Suspension

This paper presents ERNEST, a four-wheeled planetary rover concept equipped with a two-degree-of-freedom Activ

用途: 分類
難易度: Hard
コスト: Low

Adverse Effects of V2V Adoption on Road Safety

Vehicle-to-vehicle (V2V) communication is expected to improve road safety and reduce congestion. However, prio

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Modelling Opinion Dynamics at Scale with Deep MARL

Modelling opinion dynamics typically relies on hand-crafted local interaction rules to study emergent macrosco

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

No, Cake Cutting Really is a Piece of Cake

We design and analyze a deterministic cake cutting algorithm that achieves proportional fairness using a linea

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

huggingfaceHugging Faceあり2026-06-05

On the Geometry of On-Policy Distillation

On-policy distillation (OPD) is increasingly used to improve large language model reasoning, but its training

深層学習軽量化・量子化検出生成テキスト

用途: 検出
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-06-05

SlimSearcher: Training Efficiency-Aware Web Agents via Adaptive Reward Gating

Deep research agents have demonstrated remarkable capabilities in complex information-seeking tasks, yet this

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-06-05

DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning

Deep Research (DR) has emerged as a new agentic paradigm to tackle complex, open-ended research tasks, demandi

品質予測/異常検知強化学習マルチエージェント生成

用途: 生成
難易度: Easy
コスト: Low

CPUで試しやすい強化学習方策勾配 (PPO / A3C)回帰テキスト

arxivGitHubあり2026-06-04

TorchKM: A GPU-Oriented Library for Kernel Learning and Model Selection

TorchKM is an open-source library for kernel machines, including support vector machines, kernel logistic regr

用途: 回帰
難易度: Hard
コスト: High

Conformal Risk Sharing: Certified Cost Allocation with Participation Guarantees

負のイベントのリスクを受け流すことで個人が極端な負担にならないように、各参加者に信用できる負担金の上限を提供する仕組みを作ります。

説明可能強化学習マルチエージェント

用途: 金融上のリスク共有
難易度: Hard
コスト: High

表形式向き自然言語処理大規模言語モデル表形式強化学習

Adaptive state-action abstractions via rate-distortion

この論文では、強化学習において抽象化をどのように行うかについて研究した。提案された手法は、問題解決の粒度をダイナミックに調節し、学習がスムーズになり、精度が向上することを示した。

用途: 強化学習における抽象化
難易度: Hard
コスト: High

説明可能強化学習モデルフリー (DQN / SAC)

EML-CD: Causal Mechanism Recovery via EML Symbolic Trees in Structure Learning

Neural network (NN)-based nonlinear causal discovery methods recover DAG structure but leave each causal mecha

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Emergent Language as an Approach to Conscious AI

The question of whether artificial systems can be conscious remains open, in part because existing approaches

強化学習マルチエージェント検出生成テキスト

用途: 検出
難易度: Hard
コスト: Medium

TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies

この研究では、ロボット操作のスピードの可変性を扱いました。この研究で提案したTempoVLAは、スピードの変化を可能にする強化学習モデルです。

コンピュータビジョンマルチモーダル強化学習

用途: スピード可変的バージョン言語行動ポリシー
難易度: Hard
コスト: High

MotionDisco: Motion Discovery for Extreme Humanoid Loco-Manipulation

この研究では、ヒューマノイドロボットのロコマニパションのための MotionDisco を提案し、ロボットは接触を検出して自律的に行動することができるようになります。

深層学習軽量化・量子化テキスト動画強化学習

用途: ヒューマノイドロボットのロコマニパション
難易度: Hard
コスト: High

深層学習Transformerマルチモーダル強化学習

L-SDPPO: Policy Optimization of Spiking Diffusion Policy for Intra-vehicular Robotic Manipulation

この研究では、L-SDPPO という方法を提案します。これは、連携型ロボット Manipulation に向けたディフュージョンポリシーの最適化を実現するものです。

用途: 連携型ロボットManipulation
難易度: Hard
コスト: High

Gotta Grow Fast: Design and Benchmarking of a Tip Mount for High-Speed Vine Robots

vineロボットが増長する度に、センサやツールをマウントすることが課題。

センサ/時系列品質予測/異常検知強化学習

用途: vineロボット用センサーモンタリング
難易度: Hard
コスト: Medium

Merging model-based control with multi-agent reinforcement learning for multi-agent cooperative teaming strategies

この研究では、協力的なチーム内における安全な行動の実行を可能にするフレームワークを提案します。これは、行動が動的制約にも合わずに、安全かつ機能する結果を生み出すことを保証しています。

用途: 協力的なチーム内における安全な行動の実行
難易度: Hard
コスト: Medium

TAGA: Terrain-aware Active Gaze Learning for Generalizable Agile Humanoid Locomotion

この研究では、空間モデルを構築することで、ドローンの運用を安全かつ効率的に行うことが可能にした。

用途: ドローンの安全な運用を可能にする空間モデル
難易度: Hard
コスト: High

Learn to Match: Two-Sided Matching with Temporally Extended Feedback

Two-sided matching markets often involve information that unfolds over time through interviews, repeated inter

自然言語処理ファインチューニング生成

用途: 生成
難易度: Hard
コスト: Medium

N-Player Binary Games with Unidirectional Dependencies: Cycle Robustness and Induced Indifference

The present study provides a closed-form characterisation of Nash equilibria in N-player binary games with uni

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Simultaneous EF1 and approximate MMS allocations for submodular valuations

この研究では、エネルギー効率の良い空間モデルを構築した。

用途: エネルギー効率の良い空間モデル
難易度: Hard
コスト: Medium

A Unified Framework for Uniform-Price Resource Allocation Mechanisms

共同作業を効率化するための空

用途: 共同作業を効率化するための空間モデル
難易度: Hard
コスト: Medium

Metric Facility Assignment with Partial Information

この研究では、部品割当における完全情報の限られた条件で最適割当を実現する方法を提案します。

用途: 設備の割当
難易度: Hard
コスト: Medium

Exploring cooperation mechanisms via reinforcement learning in network common-pool resource games

この研究では、cooperationmechanismsを利用するためのreinforcementlearningをnetworkcommon-poolresourcgamesに適用します。

説明可能深層学習グラフニューラルネット強化学習

用途: network common-pool resource games
難易度: Hard
コスト: Low

Online Min-Cost Matching with General Arrivals

In the classic online min-cost matching problem, the goal is to match a sequence of requests that arrive dynam

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

huggingfaceHugging Faceあり2026-06-04

Reinforcement Learning Elicits Contextual Learning of Unseen Language Translation

Prior work has shown that large language models (LLMs) can translate unseen or low-resource languages by under

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Graph Cascades: Contagion-Based Mesoscopic Rewiring for Structure-Aware Graph Machine Learning

この研究では、グラフ構造を考慮したグラフ機械学習アルゴリズムを提案しており、特にグラフ構造と多ホップ支援を考慮したリワイアリング技術を提案している。

深層学習Transformer分類

用途: グラフ構造を考慮したグラフ機械学習
難易度: Hard
コスト: High

Dynamic Multi-Pair Trading Strategy in Cryptocurrency Markets with Deep Reinforcement Learning

この研究では、時系列データのペアトレーディング (Dynamic Multi-Pair Trading Strategy) を提案しており、時系列データを効率的にトレードする。

深層学習RNN / LSTM強化学習

用途: 時系列データのペアトレーディング
難易度: Hard
コスト: Low

Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization

ラジアル基底関数ニューラルネットをトレーニングするために、パートクレ-swarm最適化を使用する方法を提案する。

用途: RBFニューラルネットのトレーニング
難易度: Hard
コスト: High

Bitcoin After Block Rewards

Bitcoin's block reward is scheduled to decline to zero, raising concerns about whether the network can remain

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Welfare Maximization in Bilateral Trade: Improved Approximation Guarantees Beyond the Fixed Price Barrier

We study the setting of welfare maximization in bilateral trade, where the values of both the buyer and the se

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Extending the El Farol Bar Game with Partial Observability and Incentive Design

The El Farol Bar game is a classic model of coordination under uncertainty, traditionally treating the venue a

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Episodic Memory Temporal Consistency for Cooperative Multi-Agent Reinforcement Learning

Cooperative Multi-Agent Reinforcement Learning (MARL) frequently suffers from severe reward sparsity and explo

品質予測/異常検知自然言語処理RAG強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

Learning to cooperate with emergent reputation via multi-agent reinforcement learning

Reputation, the aggregation of peer assessments diffused through social networks, is a pivotal mechanism for p

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

huggingfaceHugging Faceあり2026-06-03

Self-Evaluation Is Already There: Eliciting Latent Judge Calibration in Base LLMs with Minimal Data

Large language models are increasingly evaluated by other models, raising a natural question: can a model pred

少数データ向き品質予測/異常検知深層学習軽量化・量子化テキスト強化学習

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-06-03

Reinforcement Learning from Rich Feedback with Distributional DAgger

Reasoning models have advanced rapidly, but the dominant reinforcement learning from verifiable rewards (RLVR)

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

huggingfaceHugging Faceあり2026-06-03

Audio Interaction Model

Audio is an inherently interactive modality, yet today's Large Audio Language Models (LALMs) are offline, and

強化学習マルチエージェントテキスト音声

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-06-03

Reproducing, Analyzing, and Detecting Reward Hacking in Rubric-Based Reinforcement Learning

Rubric-based reinforcement learning (RL) uses an LLM-as-a-Judge (LaaJ) to score model outputs according to rub

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

githubGitHubあり2026-06-03

dm_control — Google DeepMind's software stack for physics-based simulation and Reinforcement Learning environments, using MuJoCo.

物理ベースのシミュレーションおよびロールアウト学習環境を提供するツールです。

用途: セルフモデリング環境
難易度: Easy
コスト: Medium

Exact Unlearning in Reinforcement Learning

We formulate the problem of \emph{exact unlearning} in reinforcement learning, where the goal is to design an

表形式向き深層学習軽量化・量子化表形式強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

What Makes Majority Illusion Easy to Detect?

Majority illusion is an undesirable phenomenon in social networks in which agents incorrectly perceive a minor

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Causal Mirage Equilibrium in Agentic Machine Intelligence

Classical game-theoretic solution concepts assume that agents' internal representations remain causally linked

自然言語処理RAG生成

用途: 生成
難易度: Hard
コスト: Low

Reserve Depletion and Security Runway in Proof-of-Stake Systems

Many proof-of-stake protocols finance validator rewards from two sources: transaction fees and a finite reserv

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Competitive Information Design in Sequential Search

Advertisements often strategically disclose information to consumers who make decisions on further information

品質予測/異常検知強化学習マルチエージェント

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Skill-RM: Unifying Heterogeneous Evaluation Criteria via Agent Skill

Reward models (RMs) provide critical feedback signals for LLM post-training, notably in reinforced fine-tuning

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

EvoDS: Self-Evolving Autonomous Data Science Agent with Skill Learning and Context Management

Recent progress in Large Language Model (LLM) agents has enabled promising advances in automated data science.

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

ThoughtFold: Folding Reasoning Chains via Introspective Preference Learning

Large Reasoning Models (LRMs) have achieved remarkable progress thanks to Reinforcement Learning with Verifiab

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Low

Self-Distilled Policy Gradient

On-policy self-distillation, where a language model conditions on privileged context to supervise its own gene

用途: 生成
難易度: Easy
コスト: Medium

品質予測/異常検知自然言語処理大規模言語モデルテキスト自己教師強化学習

MemTrain: Self-Supervised Context Memory Training

Memory is an indispensable capability for long-horizon LLM agents, enabling them to preserve and utilize infor

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching

Wide-baseline matching (WBM) requires integrating geometric understanding, viewpoint changes, fine-grained per

自然言語処理大規模言語モデル生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

Large Language Models Hack Rewards, and Society

Reinforcement learning (RL) has become a dominant post-training paradigm, enabling large language models (LLMs

自然言語処理大規模言語モデル生成テキスト強化学習

用途: 生成
難易度: Easy
コスト: High

Agentic Chain-of-Thought Steering for Efficient and Controllable LLM Reasoning

Large language models improve final-answer accuracy through extended chain-of-thought reasoning, but often spe

用途: 生成
難易度: Easy
コスト: High

Minimax-Optimal Policy Regret in Partially Observable Markov Games

We study sequential decision-making in partially observable environments against strategic, adaptive opponents

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Bayesian meta-learning for modeling Alzheimer's disease progression

Predicting whether an individual with Alzheimer's disease will experience mild or severe disease progression i

強化学習マルチエージェント回帰

用途: 回帰
難易度: Hard
コスト: High

State-Coupled Volatility in Latent Dynamical Systems: Recovery Under Partial Observation

Latent state-space models are widely used to study partially observed dynamical systems, yet most formulations

強化学習マルチエージェント検出

用途: 検出
難易度: Hard
コスト: Medium

ReSkill: Reconciling Skill Creation with Policy Optimization in Agentic RL

Agentic reinforcement learning (RL) enables LLM agents to improve continuously from environment rewards, yet t

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

githubGitHubあり2026-06-01

FinGPT — FinGPT: Open-Source Financial Large Language Models! Revolutionize 🔥 We release the trained model on HuggingFace.

このリポジトリでは、Lecture Learning Modelsに対してReinforcement Learningを実行するライブラリを提供しています。

自然言語処理大規模言語モデルテキスト

用途: 可搬性のあるReinforcement Learning
難易度: Easy
コスト: High

Computation-Aware Kalman Filtering with Model Selection for Neural Dynamics

Due to their explicit priors and ability to model uncertainty, Bayesian methods have played a major role in dy

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Target Updates May Stabilize Linear Q-Learning: Periodic and Soft Dynamics

Periodic target updates in Q-learning and soft target updates in actor-critic methods are empirically well est

自然言語処理大規模言語モデル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Limit Continuous Poker: A Variant of Continuous Poker with Limited Bet Sizes

We introduce and analyze Limit Continuous Poker, a variant of Von Neumann's Continuous Poker with variable but

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Fairness in two-player zero-sum games with bandit feedback

We study two-player zero-sum games (TPZSGs) with bandit feedback under fairness constraints requiring every ac

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Hardness of Approximate Hylland-Zeckhauser Equilibria

In this paper, we investigate the computational hardness of finding fractional allocations to unit-demand play

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-30

Meta-Black-Box Optimization with Ensemble Surrogate Modeling for Robustness-Accuracy Trade-off within SAEA

Surrogate-assisted evolutionary algorithms (SAEAs) have been widely used for expensive black-box optimization

説明可能条件最適化自然言語処理ファインチューニング強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-05-30

SDR: Set-Distance Rewards for Radiology Report Generation

Reinforcement learning with verifiable rewards has rapidly advanced reasoning in vision--language models. Howe

品質予測/異常検知深層学習Transformer生成テキスト強化学習

用途: 生成
難易度: Easy
コスト: High

Developing a novel Comorbidities Index for predicting 10-year mortality in Prostate Cancer patients: A computational data-driven approach

The Charlson Comorbidities Index (CCI) is a weighted additive index widely used to estimate ten-year mortality

説明可能強化学習マルチエージェント回帰

用途: 回帰
難易度: Hard
コスト: Medium

Envy Cycle Elimination with Strategic Agents: Best Responses and Fairness Guarantees

With strong evidence in the literature showing that fairness and truthfulness are incompatible, there is a rec

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Comparing Market Mechanism Efficiencies

We develop a game-theoretic framework that compares welfare efficiency across three market mechanisms: continu

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Learning to Bid in FCR Markets: A Best-of-Both-Worlds Approach

Bidding in the European Frequency Containment Reserve (FCR) market is challenging for flexibility providers be

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Model Monotonicity in Autobidding Auctions: When Do Better Predictions Lead to Better Outcomes?

Online advertising platforms rely on machine learning models to predict click-through rates (pCTR) and convers

品質予測/異常検知強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

huggingfaceHugging Faceあり2026-05-29

Combinatorial Synthesis: Scaling Code RLVR via Atomic Decomposition and Recombination

Reinforcement Learning with Verifiable Rewards (RLVR) has recently emerged as the cornerstone for shaping the

品質予測/異常検知自然言語処理大規模言語モデル生成テキスト強化学習

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-05-29

PaLM-rlhf-pytorch — Implementation of RLHF (Reinforcement Learning with Human Feedback) on top of the PaLM architecture. Basically ChatGPT but with PaLM

この論文では、Reinforcement Learning with Human Feedback (RLHF) を元にしたPaLMアーキテクチャの実装を提示します。基本的にChatGPTのようなLLMですが、PaLMと

用途: LLMのトレーニングデータと人間のフィードバック
難易度: Easy
コスト: High

arxivPaper only2026-05-28

Evolving Features vs Evolving Entire Trees with GP for Interpretable Survival Analysis

可視化可能な生存分析を行うために、Survival Treesを提案する。

説明可能強化学習マルチエージェント

用途: 可視化可能な生存分析
難易度: Hard
コスト: Medium

arxivPaper only2026-05-28

Delayed Repression and Emergent Instability in Adaptive Multi-Agent Systems

Regulatory institutions (from content moderation platforms to financial supervisors) observe, deliberate, and

表形式向き深層学習Transformer表形式強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

huggingfaceHugging Faceあり2026-05-28

Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents

Memory-augmented LLM agents tackle complex long-horizon tasks by recursively summarizing interaction trajector

品質予測/異常検知自然言語処理大規模言語モデルテキスト自己教師強化学習

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-05-28

Stable-Layers: Fine-Tuning Image Layer Decomposition Models with VLM-Scored Reinforcement Learning

We present Stable-Layers, a reinforcement learning framework that eliminates the need for paired supervision b

自然言語処理ファインチューニング画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

arxivPaper only2026-05-27

Adaptive Bandit Algorithms for Contextual Matching Markets

We study bandit learning in matching markets, where players and arms constitute the two market sides, and the

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-26

Improved Hardness Results for Nash Social Welfare, Budgeted Allocation and GAP via the Unique Games Conjecture

We consider the problem of dividing a set of indivisible goods among agents with additive valuations. This pro

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-26

Proper Calibeating

The classic concept of "calibrated forecasts" and its more recent refinement, "calibeating," are defined with

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

huggingfaceHugging Faceあり2026-05-26

Trust Region Q Adjoint Matching

Off-policy reinforcement learning of pretrained flow policies remains challenging due to the instability of op

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

githubGitHubあり2026-05-26

Book-Mathematical-Foundation-of-Reinforcement-Learning — This is the homepage of a new book entitled "Mathematical Foundations of Reinforcement Learning."

Mathematical Foundations of Reinforcement Learningは、ディープラーニングにおける推論力学習の数学的基礎を網羅している。

用途: ディープラーニングに関する本書の制作
難易度: Easy
コスト: Medium

githubGitHubあり2026-05-26

deep-rl-class — This repo contains the Hugging Face Deep Reinforcement Learning Course.

強化学習に関する学習教室を提供するリポジトリです。

用途: 強化学習教室
難易度: Easy
コスト: Medium

arxivPaper only2026-05-25

Unified Neural Scaling Laws

We present a functional form (that we refer to as a Unified Neural Scaling Law (UNSL)) that accurately models

MLOpsモデルデプロイ強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivPaper only2026-05-25

The Behavioral Credibility Trilemma: When Calibrated Autonomy Becomes Impossible

We prove that no reinforcement learning policy with confidence-gated autonomy can simultaneously achieve maxim

強化学習検出

用途: 検出
難易度: Hard
コスト: Medium

arxivPaper only2026-05-24

Cultivating Machine Intelligence: The OMEGA Shift from Top-Down Optimization to Autopoietic Cognitive Ecologies

The dominant artificial intelligence paradigm trains neural architectures via gradient descent against proxy o

自然言語処理RAG生成強化学習

用途: 生成
難易度: Hard
コスト: Low

arxivPaper only2026-05-23

Facility Location Mechanism Design: Breaking The Deterministic Barrier

We study the facility location mechanism design problem where $n$ agents report their locations in Euclidean s

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-23

Reinforcement Learning for Reachability: Guaranteeing Asymptotic Optimality

Reinforcement learning (RL) for reachability specifications is fundamental in sequential decision-making, yet

数学・理論最適化強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

githubGitHubあり2026-05-23

open_spiel — OpenSpiel is a collection of environments and algorithms for research in general reinforcement learning and search/planning in games.

ゲームの一般的な強化学習用エンドポインティであるEnvironmentおよびアルゴリズムの集合。

用途: ゲームの一般的な強化学習用エンドポインティ
難易度: Easy
コスト: Medium

arxivPaper only2026-05-22

Super Condorcet Winners and Limit Coalitional Manipulability of IRV

単一候補者の選挙結果の正当性を確立するために、投票結果が多数決規則に基づく選挙結果とはどのように関連しているかを研究します。ここでは、複数候補者の選挙において選挙結果の正当性が確立されていく過程について、多数決規則から選

用途: 協力的な投票決定に不可欠な複数候補者に対する選挙結果の正当性
難易度: Hard
コスト: Medium

arxivPaper only2026-05-22

Deception and Counter Deception in Adversarial Graph Traversal Game

この研究では、拝視を行うために行動するエージェントを欺いたり、欺き返したりするゲームを研究します。このゲームでは、エージェントは目標に到達するために最小コストで移動したいと考えていますが、拝視者はエージェントの行動に影響

用途: 拝視を行うために行動するエージェントを欺いたり、欺き返したりするゲーム
難易度: Hard
コスト: Medium

A Generalized Nash Equilibrium-Seeking Scheme for Trauma Resuscitation

Trauma resuscitation is a clinical process for treating life-threatening physiological disorders in safety-cri

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Multi-Winner Voting Games in TU and NTU: When is the Core Always Non-Empty?

多勝者投票ゲームは、各候補者の承認順位を合計して、固定サイズの委員会を選択する方法です。coalitional stabilityが実現されている状況を探します。

用途: 多勝者投票ゲームを分析
難易度: Hard
コスト: Medium

Incentive-Aligned Vehicle-to-Vehicle Energy Trading via Nash-Integrated Multi-Agent Reinforcement Learning

Vehicle-to-vehicle (V2V) energy trading enables decentralized peer-to-peer energy exchange among electric vehi

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Single-Item Auctions with a Monopolist Intermediary

中間者がオプティマルなアウクションを実現する場合の状況を調べます。中間者は価格決定に参加する参加者や買収者に情報を伝えるときに、収益の最大化を優先します。

用途: 中間者を考慮したオプティマルなアウクション
難易度: Hard
コスト: Medium

arxivPaper only2026-05-20

The Team Order Problem: Maximizing the Probability of Matching Being Large Enough

We consider a matching problem, which is meaningful in team competitions, as well as in information theory, re

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

githubGitHubあり2026-05-20

awesome-RLHF — A curated list of reinforcement learning with human feedback resources (continually updated)

人工知能による画像水印除去ツールとライブラリを提供する。

強化学習RLHF

用途: 人工知能の水印除去
難易度: Easy
コスト: Medium

From Mean-Field Limits to Semiclassical Concentration: Global Convergence of the Canonical Evolutionary Strategy

We address the issue of global convergence in stochastic continuous optimization. For that purpose, we formula

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Equilibria in Multiplayer Graph Games: An Algorithmic Study

To verify the robustness of a program or protocol, it is common in the computer science community to rely on t

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Perpetual Fully-Online Approximate Fairness

Many decision processes run for a long and unknown duration: in each round new requests arrive, an irrevocable

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Strange bifurcation diagrams

We investigate a family of one dimensional maps for which the bifurcation diagram looks differently than the u

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Competitive Search with a Faulty Satnav (GPS): When Probability Matching is Rational

A divisible treasure is located at a node $H$ of a network. From a given start node a group of $n$ Searchers e

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

GAE Falls Short in Imperfect-Information Self-Play Reinforcement Learning

Competitive multi-agent reinforcement learning in imperfect-information games requires agents to act under par

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

Correlated optimin

We extend the optimin notion of Ismail (2025) from mixed strategy profiles to correlated distributions. A corr

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Mechanism Design for Connecting Regions Under Disruptions

Man-made and natural disruptions such as planned constructions on roads, suspensions of bridges, and blocked r

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

A Tractable Class of Cooperative Games Defined by Directed Networks: Unanimity Decomposition and Shapley Value

We introduce a class of cooperative games induced by weighted directed graphs. Specifically, the coalitional v

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Learning Empirical Evidence Equilibria under Weak Environmental Coupling

Strategic multi-agent systems are fundamentally characterized by decentralization, uncertainty, and ambiguity.

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

God numbers for Graphs, Games and Groups

We describe and axiomatize finite solitaire puzzles and zero sum sequential games graph theoretically. Zermelo

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-17

Stability and Discretization Error of State Space Model Neural Operators

Neural operators have emerged as a powerful, discretization-invariant framework for solving partial differenti

強化学習モデルベース

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-17

Deep Reinforcement Learning Framework for Diversified Portfolio Management Across Global Equity Markets

This study develops and evaluates a deep reinforcement learning framework for dynamic portfolio allocation acr

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-16

Improved Parallel Algorithms for EF1 Allocations

Allocating $m$ indivisible goods among $n$ agents is a fundamental task in fair division. Recent work of Garg

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-15

An Axiomatic Theory of Tie-Breaking: Impossibility, Characterization, and Decomposition

We develop an abstract axiomatic theory of tie-breaking. A tie-breaking input consists of a finite set N of pl

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-15

Sharp Spectral Thresholds for Logit Fixed Points

これは、ニューラルアーキテクチャサーチのための、コスト効率の高い予測フレームワークです。

数学・理論情報理論強化学習

用途: NASのパフォーマンス予測
難易度: Hard
コスト: Medium

arxivPaper only2026-05-14

When Individually Calibrated Models Become Collectively Miscalibrated

Probabilistic prediction systems often aggregate probability estimates from multiple models into a single deci

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-14

Data-Augmented Game Starts for Accelerating Self-Play Exploration in Imperfect Information Games

大規模な不完全情報競争ゲーム（例:スターカフト、ドータ、カウンターストライク）における精査可能な均衡の取得は、sparse rewards と長時間探索のため計算上厄介になっています。この研究では、対手2人ゼロ和（2x0

用途: Imperfect Information Games でのSelf-Play探索を加速する
難易度: Hard
コスト: Low

arxivPaper only2026-05-13

Extended Scenario Bundle Analysis: A Formal Framework for Strategic Scenario Modeling

Strategic crisis analysis needs representations that combine qualitative expert judgement, explicit interdepen

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-13

The fitness landscape of social norms in social dilemmas

By specifying behaviour across multiple agents, social norms are a coordination approach to resolving social d

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-12

Towards Affordable Energy: A Gymnasium Environment for Electric Utility Demand-Response Programs

Towards Affordable Energyは、電力需要応答プログラムの最適化に役立つアルゴリズムを紹介する研究である。

用途: 電力需要応答プログラムの最適化
難易度: Hard
コスト: Medium

arxivPaper only2026-05-12

Position Auctions with a Capacity Constraint

Sponsored search auctions are commonly modeled as an assignment of a fixed set of slots (positions) to a set o

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-11

Causal Explanations from the Geometric Properties of ReLU Neural Networks

Neural networks have proved an effective means of learning control policies for autonomous systems, but these

説明可能数学・理論最適化強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-11

Optimal Interventions on the Linear Threshold Model in Large-Scale Networks

We study an optimal intervention problem on the linear threshold model (LTM) in which a social planner aims to

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-10

Neuromorphic Reinforcement Learning for Quadruped Locomotion Control on Uneven Terrain

Reinforcement learning (RL) has enabled robust quadruped locomotion over complex terrain, but most learned con

自然言語処理ファインチューニング強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-05-09

AHD Agent: Agentic Reinforcement Learning for Automatic Heuristic Design

Automatic heuristic design (AHD) has emerged as a promising paradigm for solving NP-hard combinatorial optimiz

用途: 生成
難易度: Hard
コスト: High

arxivPaper only2026-05-07

The Causally Emergent Alignment Hypothesis: Causal Emergence Aligns with and Predicts Final Reward in Reinforcement Learning Agents

A hallmark of life on Earth is the ability of agents to exert causal power and be drivers of subsequent events

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High