フランスの法律とか規制のテキストをLLMで解析して、知識の構造を作る研究だよ。最初にオントロジーっていう概念の分類を作って、それを使って知識グラフを大規模に構築するんだ。

簡単に言うと、物事の種類とその関係を定義したもの。例えば「法律」は「規制」の一種で、「罰則」と関係がある、みたいな。

2段階パイプラインになってて、まず第1段階でLLMにテキストからクラスや関係を自由に抽出させるんだ。それを埋め込みベースで似たものをまとめて、オントロジーを自動で作る。

そこが工夫で、複数のLLMの出力を埋め込みで融合して重複を減らすんだ。実験ではGPT-4.1とMistral Largeを使って、クラスの網羅率は高かったよ。

第1段階で作ったオントロジーを使って、今度はLLMに決まった形式で抽出させるクローズド抽出を行う。これで大規模な知識グラフを効率的に作れるんだ。

そう。新しいドメイン・レンジの組み合わせをどう検証するかが今後の課題だね。でも、全体としてはLLMで法律テキストから知識グラフを作る実用的な方法を示せたと思う。

言語は違うけど、パイプライン自体は汎用的だから、応用は可能だと思う。

君が手伝うと、オントロジーが「お菓子の分類」になりそうで怖いな。

簡単に言うと、マルチモーダルLLMが電力系統の診断をするときに、本当に必要な証拠を使って判断しているかをチェックする仕組みだよ。

そう。例えば、画像とテキストの両方を見て故障箇所を特定するタスクで、モデルが本当にその画像の特徴を見ているのか、それともテキストのバイアスで答えているのかを調べるんだ。

三つの方法を組み合わせてる。まずモデル自身に「どの情報をどのくらい使ったか」を自己申告させる。次に、特定の情報を隠したり変えたりして、モデルの行動がどう変わるかを見る。最後に、事前に登録した工学的に重要な証拠と比較するんだ。

そこがポイントで、自己申告だけだと嘘をつくこともあるから、介入実験と突き合わせて不一致を検出するんだ。不一致があったら、モデルを修正して、ちゃんと根拠を使うように改善する。

うん、原理的にはどんなマルチモーダルタスクにも応用できる。ただ、今回は電力系統に特化してて、工学的な重要度の定義がその分野に依存してるから、他の分野に適用するときはその辺を調整する必要があるね。

そうだね。ただ、今回の実験はシミュレーションデータだから、実際の現場でどうなるかはまだ未知数だし、計算コストも結構かかるのが課題かな。

RAGは検索拡張生成の略で、外部の知識を検索してから回答を生成する仕組みだよ。この論文は特に、科学施設の運用に特化したハイブリッドRAGを提案してるんだ。

そう。密検索、疎検索、知識グラフの3チャネルで横断検索して、クエリのタイプに応じて適応的に融合するんだ。9つのデータソースから情報を集めるらしい。

そうだね。自己修正ループとReActエージェントも備えてて、間違った回答を自分で修正できる仕組みもあるんだ。ただ、データソースが特定の施設に特化してるから、汎用性には限界があるかもしれない。

まあ、その通りだけどね。でも、君のその楽観主義は悪くないよ。

うん。従来はイベント検出と編集を別々のモデルでやってたんだけど、EgoPlayは一つのモデルで両方やるんだ。

誤検出が減って、編集の連続性が保たれる。あとGPUメモリも半分以下で済むらしい。

自然言語で「〇〇が起きたら××に編集」ってルールを指定するんだ。モデルがそのルールを理解して、該当フレームだけを編集する。

そう。実際に実験では、そういうタスクで従来手法より精度が高かった。特にイベントのタイミングが正確だった。

一人称動画のデータセットを使って、編集後の動画の自然さとイベント検出の正確さを測った。人間による評価も含めてる。

いや、限界もある。例えば、複雑なイベントや長い動画だと精度が落ちる。あと、学習データにないシチュエーションには弱い。

亜美さんなら、ルールを書くだけで簡単に使えると思うよ。ただし、今のところ研究段階だけどね。

…まずは論文をちゃんと読んでからだな。

うん、そう。VLMがER図をどれだけ正確に読めるか測るための初めての大規模ベンチマークなんだ。

確かに人間ならできるけど、VLMの能力をちゃんと評価する基準がなかったんだ。特に、弱実体や多値属性、n項関係みたいな複雑な要素を正しく認識できるかどうかは、これまであまり調べられてなかった。

全部で2,960枚のER図を使ってるよ。教育用、実運用、合成の3種類があって、それぞれにJSON形式の正解データが付いてる。

主要な要素、例えばエンティティやリレーションシップの認識は結構高精度だったんだけど、弱実体や多値属性、n項関係になるとガクッと落ちるんだ。

そう。今後のVLMの改善に役立つし、ER図を使ったデータベース設計の自動化にも貢献できる。ただ、ベンチマークのER図はまだ限られた種類しかないから、もっと多様な図で試す必要がある。

いや、俺のVLMはまだそこまでできてないから、まずはちゃんと学習させないと。

ああ、医療画像のためのマルチモーダルAIモデルだよ。2Dと3Dの画像を両方扱えるのが特徴で、従来のモデルより臨床に近い評価をしてるんだ。

そう。例えばCTは3Dだけど、X線は2D。病院では両方使うから、一つのモデルで扱えた方が便利なんだ。それで、カスケード型の視覚エンコーダっていう仕組みで統合してる。

そう。まず2D画像を処理するエンコーダがあって、その出力を3D用のエンコーダに渡す感じ。段階的に特徴を抽出するんだ。

ROIベースの評価ってやつで、画像の特定の領域（関心領域）に注目して性能を測ってる。臨床では医者が注目する場所が限られてるから、より実用的な指標になるんだ。

いや、限界もある。まず学習データが公開医療データセット中心で、実際の臨床データとは分布が違う可能性がある。それと、ROI評価は便利だけど、医者が見落とす領域の性能は保証できない。

そうだね。特に救急とか夜間の画像診断で役立つと思う。ただ、過信は禁物だけど。

LLMがコードレビューをするときに、説明（XAI）を追加すると開発者の信頼がどう変わるかを実験したんだ。34人参加してくれたよ。

そう単純じゃないんだ。説明があると確かに信頼感は向上するんだけど、AIの推奨に同意する割合は必ずしも上がらない。

詳細な説明があると、開発者はむしろ批判的に検討するようになるみたい。同意率が一番高かったのは中程度の説明で89.22%だった。説明なしだと信頼も同意も最低だったよ。

参加者に4つのコードレビュー課題をやってもらって、それぞれ説明なし・簡潔・詳細・中程度の4パターンの説明をランダムに提示したんだ。その後、信頼度と同意率をアンケートで測った。

信頼感は説明ありの方が有意に高かったけど、同意率は説明の種類によって有意差が出た。特に中程度の説明が一番効果的だったんだ。

AIの説明をただ付け加えればいいわけじゃなくて、適切な粒度が重要だってことが分かった。コードレビューツールの設計に役立つと思う。

そうだね。参加者が学生中心で実務経験が少ないこと、タスクが限定的だったこと、あと説明の内容自体の質が統一されてなかった可能性もある。

お前のコードは説明なしでも十分怪しいから、気にしなくていいよ。

ああ、APPAはLLMエージェントが機密データを扱うときの問題を解決するフレームワークだよ。

そう。従来の方法だと、一度機密データを読むと、その後のツール全部が使えなくなる「ラベルクリープ」って問題があったんだ。

APPAは「分岐によるテイント封じ込め」って手法で、子ブランチに機密データを隔離して処理するんだ。親コンテキストは汚染されないから、他のツールは普通に使える。

そこがもう一つの特徴「プロスペクティブ取得強制」だ。データを取得する前にポリシー違反を予測して、是正計画を提示するんだよ。

弱点としては、予測モデルが完璧じゃないから、まれに誤検知や見逃しがあること。あと、分岐の管理が複雑で、実装コストが高い点だね。

…それはどうでもいいだろ。

同じ実体のレコードを特定するタスクだよ。例えば、『A. Einstein』と『Albert Einstein』が同一人物かどうかを判断するみたいな。

Bi-Encoder、Cross-Encoder、Generativeの3つがあって、それぞれ性能が違うんだ。でも、モデル本体やサイズの違いと混同されがちだから、この論文ではQwen3ファミリーを使って統制実験をしてる。

Bi-Encoderは埋め込み向けのモデルが決定的に重要で、Cross-Encoderは安定して高精度。Generativeはデータの分布が変わったときに強みを発揮するらしい。

そう。大規模モデルほどショートカット学習に頼る傾向があって、必ずしも性能が上がるわけじゃない。むしろ、小さいモデルでも適切なアーキテクチャを選べば十分な場合がある。

実用的な指針を提供してるところだね。どのアーキテクチャを選ぶべきか、データの特性に応じて判断できる。ただ、限界としてはQwen3ファミリーだけの実験だから、他のモデルでも同じ傾向かはわからない。

達人になるには、あと1215回のファインチューニングが必要だね。

うん、そう。化学の自走実験室で起こる故障を自動で注入して、ロボットの性能を6つの観点で評価するフレームワークなんだ。

タスク理解、故障検出、時間位置特定、重大度評価、分類、修正指示。これらを全部評価するんだ。

実際の故障データは数が少なくて偏りがちだからね。LabRobFailは制御レベル、物理レベル、意味レベルの3種類の故障を自動で注入して、2万以上の軌跡データを生成してる。

いや、まだ課題もあるよ。例えば、注入した故障パターンが実際の現場で起こる故障と完全に一致するとは限らない。あと、評価はシミュレーション環境だから、実機での検証が必要。

コーヒー入れる前に、まず故障検出から覚えてもらわないとね。