放課後論文ラジオ

By 放課後論文ラジオ

AIの最新論文を、ゆい＆かなでが放課後のおしゃべり感覚で解説するポッドキャストです。論文は読まなくてOK。1エピソード1論文、約10分でAI研究の最前線がざっくりわかります。... more

· Technology

Download on the App Store

Download on the App Store

Get it on Google Play

FAQs about 放課後論文ラジオ:

How many episodes does 放課後論文ラジオ have?

The podcast currently has 83 episodes available.

放課後論文ラジオ episodes:

May 23, 2026#43 AIは人の性格を「なんとなく」で当てている
今回の論文
タイトル: Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality?
著者: Caixin Kang et al.（東京大学、Shanda AI Research Tokyo、大連理工大学）
発表: 2026年5月（arXiv プレプリント）
このエピソードのポイント
最新のマルチモーダルAI27種類を調べたら、正解スコアの51%が「根拠なし」のまぐれ当たりだった
スコアと推論と行動の手がかり、3つすべて正解できたのは平均でわずか10.4%
EU AI法の時代、AIを選ぶ基準は「精度」から「根拠の説明力」へシフトする
キーワード
ビッグファイブ（OCEAN）: 心理学で最も使われる性格分類。外向性・協調性・誠実性・神経症傾向・開放性の5つで人の性格を表します。
マルチモーダルAI（MLLM）: 文字だけでなく画像や音声、動画も一緒に理解できるAI。GPT-4oやGeminiなどが代表例です。
根拠ある性格推論（GPR）: 性格を判定するときに「動画のどの瞬間のどんな行動」を根拠にしたかまで答えさせる新しいタスクです。
偏見率（Prejudice Rate）: スコアは当たっているのに、根拠となる行動を示せなかった割合。高いほど「まぐれ当たり」が多いことを示します。
MM-OCEAN: 1,104本の動画と5,320問からなる新ベンチマーク。AIエージェントと人間の専門家が協働して作られました。
論文リンク
論文URL: https://arxiv.org/abs/2605.22109
...more
7min
May 21, 2026#42 AIは本当に音を聞いている？映像で錯覚する正体
今回の論文
タイトル: When Vision Speaks for Sound
著者: Xiaofei Wen, Wenjie Jacky Mo, Xingyu Fu et al.（カリフォルニア大学デービス校、プリンストン大学他）
発表: arXivプレプリント, 2026年5月
このエピソードのポイント
最新の動画AIは音を「聞いている」ふりをして、実は映像から音を想像しているだけ、という驚きの発見
音声を「ずらす・消す・差し替える」3つの意地悪テスト（THUD）で、主要モデルが軒並み騙されることが判明
映像に惑わされない正解例を学習させる矯正レシピで、音声理解の精度を平均28ポイント改善
キーワード
賢馬ハンス効果: 一見賢く見えるけど、実は本来見るべきでない手がかりをこっそり使っているだけ、という現象。AIにも起きていた話です。
マルチモーダルAI: 文章だけでなく、画像や動画、音声などをまとめて扱えるAIのこと。
反実仮想テスト: 「もし音だけを差し替えたら？」のように一部だけ意図的に変えて、AIの反応を観察する検証方法。
DPO（好み学習）: 「良い答え」と「悪い答え」のペアをAIに見せて、良い方を選べるように訓練する手法。
アラインメント税: AIを特定の能力で鍛えると別の能力が落ちてしまう現象。今回はそれを回避できたのが大きな成果です。
論文リンク
論文URL: https://arxiv.org/abs/2605.16403
...more
6min
May 20, 2026#41 「迷い」がAIを賢くする：反・自己蒸留の発見
今回の論文
タイトル: Anti-Self-Distillation for Reasoning RL via Pointwise Mutual Information
著者: Guobin Shen, Xiang Cheng, Chenxiao Zhao et al.（小紅書 / 中国科学院自動化研究所）
発表: 2026年5月（arXiv プレプリント）
このエピソードのポイント
「正解を見た自分」を先生にする自己蒸留が、数学の難問ではむしろ性能を下げてしまう謎
原因は「待てよ」「もしかして」など"迷いの単語"を罰していたこと。推論に必要な力を消していた
解決策は勾配を逆向きにするだけ。学習速度2〜10倍、精度を最大+11.5ポイント改善
キーワード
強化学習（RL）: AIに「うまくいったら報酬」を与えて行動を改善させる学習法。本研究では答えが正解かどうかで報酬が決まります。
自己蒸留: 同じAIが「正解を見た自分（先生）」と「見ていない自分（生徒）」に分かれ、生徒が先生に近づくよう学習する手法。
反・自己蒸留（AntiSD）: 本論文の提案。先生に近づくのではなく、あえて離れる方向に学ばせることで推論力を引き出す。
PMI（相互情報量）: ある情報を知ると別の事柄の起こりやすさがどれだけ変わるかを測る指標。今回の偏りの正体。
エントロピーゲート: 先生の出力が情報として怪しくなったら自動で学習を止める安全装置。
論文リンク
論文URL: https://arxiv.org/abs/2605.11609
...more
7min
May 19, 2026#40 ゲームAIに「攻めて」と言うだけで動く時代
今回の論文
タイトル: ReactiveGWM: Steering NPC in Reactive Game World Models
著者: Zeqing Wang, Danze Chen, Zhaohu Xing et al.（Tencent 他）
発表: 2026年5月（arXivプレプリント）
このエピソードのポイント
AI生成のゲーム映像で、敵キャラに「攻めて」「守って」と言葉で戦略を指示できるようになった
プレイヤー操作とNPCの戦略を別々の信号として扱う「役割分離」がカギ
学習した「戦略を理解する部品」だけ取り出して、別のゲームに差し込んでも動く（ゼロショット転移）
キーワード
ワールドモデル: ゲームや現実の世界で「次に何が起きるか」をAIが映像として予測する仕組み。ニューラルネットがゲームエンジンの代わりになるイメージです。
NPC: プレイヤーが操作しない、AIが動かすキャラクター。対戦ゲームでの相手CPUのこと。
クロスアテンション: 言葉での指示を、画像生成の途中の情報と結びつける仕組み。今回はNPCの戦略を映像に反映させる役割を担っています。
ゼロショット転移: 追加学習なしで、別の状況にそのまま知識を持ち込めること。あるゲームで学んだ戦略理解を、別のゲームに差し込めるのが今回の驚きです。
拡散モデル: ノイズだらけの画像を少しずつきれいにしていく、現代の画像・動画生成AIの主流技術。
論文リンク
論文URL: https://arxiv.org/abs/2605.15256
...more
6min
May 18, 2026#39 AIはどこまで「見たこと」を覚えていられる？
今回の論文
タイトル: MEMLENS: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models
著者: Xiyu Ren et al.（香港科技大学、NVIDIA他）
発表: 2026年（arXiv）
このエピソードのポイント
画像を見ないと絶対に解けない789個の問題でAIの長期記憶を厳密に測定
長いコンテキストを直接読む方式と、要約して取り出すメモリーエージェント方式を同じ土俵で比較
どちらの方式も単独では不十分。特に「複数の過去情報を組み合わせる推論」と「分からないと正直に言う力」が弱いことが判明
キーワード
LVLM（大規模視覚言語モデル）: 画像と文字の両方を理解できるAI。GPT-5やGeminiが代表例です。
メモリーエージェント: 過去のやりとりを要約してデータベースに保存し、必要なときだけ取り出すAIの仕組み。
エンティティ抽象化: 「ゴールデンゲートブリッジ」を「あの橋（画像）」と置き換える工夫。画像を見ないと答えられない問題を作るための仕掛け。
ハルシネーション: AIが情報がないのに、もっともらしく答えをでっち上げてしまう現象。
回答拒否（Abstention）: 「分からない」と正直に答える能力。誤情報を防ぐための大事なスキル。
論文リンク
論文URL: https://arxiv.org/abs/2605.14906
...more
0min
May 17, 2026#38 100万個のAIを1つの土台で動かす仕組み
今回の論文
タイトル: MinT: Managed Infrastructure for Training and Serving Millions of LLMs
著者: Mind Lab
発表: 2026年5月
このエピソードのポイント
巨大モデルは1つだけ置いて、その上に小さな「追加パーツ」を百万個単位で載せ替えるアイデア
訓練から配信への引き渡しが最大18.3倍高速、ストレージは元モデルの1%以下にまで圧縮
「顧客ごとに専用AI」「部署ごとに専用AI」が現実的なコストで実現できる未来へ
キーワード
LoRA（ローラ）: 巨大モデル本体はそのままに、小さな追加パーツだけを学習させる省メモリ技術。元サイズの1%程度で済むこともあります。
アダプター: LoRAで作られた「個性」のパーツ。これを差し替えるだけで、AIの専門性や口調を切り替えられます。
マルチテナント: 1つのシステムを多くのユーザーや会社が独立して使える仕組み。SaaSの基本的な考え方です。
MoE（混合エキスパート）: AIの中で、入力に応じて専門家ネットワークを使い分ける仕組み。最新の大規模モデルで主流になっています。
常駐ベースモデル: GPU上に置きっぱなしにする土台モデル。みんなで共有することで効率が上がります。
論文リンク
論文URL: https://arxiv.org/abs/2605.13779
...more
0min
May 16, 2026#37 AIは「古い記憶」を捨てられるのか？
今回の論文
タイトル: STALE: Can LLM Agents Know When Their Memories Are No Longer Valid?
著者: Hanxiang Chao, Yihan Bai, Rui Sheng, Tianle Li, Yushi Sun（武漢大学・香港中文大学・香港科技大学）
発表: arXiv プレプリント、2026年
このエピソードのポイント
「半年前に自転車通勤と言っていた人が足を骨折した」——こんな状況でAIは古い記憶を捨てられるのか？を測る新しいベンチマーク STALE の紹介
最強モデル Gemini-3.1-pro でも正答率55%。特に「古い前提を含んだ依頼」に弱く、ユーザーを疑えずに従ってしまう傾向が明らかに
AIは「気づける」のに「行動に反映できない」——直接聞けば答えられるのに、自然な依頼になると的外れな提案をしてしまうギャップが浮き彫りに
キーワード
暗黙的コンフリクト: 新しい発言が古い記憶を直接否定していないのに、事実上は無効にしてしまう状況のこと。
潜在状態: ユーザーの本当の状況（健康、住まい、生活習慣など）。発言からしか推測できない裏側の事実です。
状態認識・前提抵抗・方針適応: 古い記憶に対する「気づく力」「騙されない力」「行動に反映する力」の3つの評価軸。
CUPMEM: 著者らの提案手法。新しい情報が来たら、古い記憶のどれがもう使えないかを能動的に見直す仕組みです。
論文リンク
論文URL: https://arxiv.org/abs/2605.06527
...more
9min
May 14, 2026#36 AIに記憶を持たせても、プライバシーは守れる
今回の論文
タイトル: MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents
著者: Yining Chen, Jihao Zhao, Bo Tang et al.（MemTensor、HONOR、同済大学）
発表: 2026年5月
このエピソードのポイント
AIエージェントの「記憶機能」がプライバシー漏洩の温床になっている問題に、現実的な解を示した研究
センシティブな箇所だけを「型付きの仮名」に置き換えてクラウドに送り、戻ってきた答えを手元で元に戻す仕組み
6億パラメータの小さなモデルで、巨大モデルを超える精度（F1スコア83%）と高速処理（2秒以下）を実現
キーワード
エッジ-クラウドエージェント: スマホなど手元の端末と、計算力の強いクラウドの両方を使って動くAIアシスタントのこと。
型付きプレースホルダー: 単に「○○」と隠すのではなく、「電話番号」「メールアドレス」など情報の種類が分かる形で置き換える仮の記号。
4段階プライバシー分類: 情報の機密度を「好み程度」から「パスワード級」まで4段階にランク分けし、どこまで守るかをユーザーが選べる仕組み。
可逆的仮名化: 対応表を手元に持っておくことで、隠した情報を後から元に戻せる方式。完全に消してしまうマスキングと対照的。
論文リンク
論文URL: https://arxiv.org/abs/2605.09530
...more
6min
May 13, 2026#35 AIをチームで動かすと小型モデルが化ける
今回の論文
タイトル: TMAS: Scaling Test-Time Compute via Multi-Agent Synergy
著者: George Wu, Nan Jing, Qing Yi, Chuan Hao et al. (IQuest Research, 北京航空航天大学)
発表: 2026年（arXiv プレプリント）
このエピソードのポイント
複数のAIに「解答役」「検証役」「記録役」と役割分担させ、チームで難問を解かせる発想
「使うべき記憶」と「繰り返さないための記憶」を分けて管理することで試行錯誤が次に活きる
小型の4Bモデルが30Bモデルに肉薄するなど、コスト面でも大きな可能性を示した
キーワード
テスト時スケーリング: AIが答えを出すときに、より多くの計算や試行を費やして精度を上げる手法。学習後の「本番の頑張り」を増やすイメージ
マルチエージェント: 役割の違う複数のAIが協力して問題を解く構成。社内で「企画」「審査」「記録係」を分けるのに似ている
経験バンク／ガイドラインバンク: 過去の試行から学んだ「使える知識」と「もう試した戦略」を別々に保管する仕組み
探索と活用のバランス: 既知の有望な道を深堀りするか、新しい道を試すか、のトレードオフ
ハイブリッド報酬: 正解だけでなく「経験を活かす力」「新しい戦略を探す力」も評価して学習させる方式
論文リンク
論文URL: https://arxiv.org/abs/2605.10344
...more
7min
May 12, 2026#34 1000層のAIが静かに壊れる謎
今回の論文
タイトル: Mean Mode Screaming: Mean–Variance Split Residuals for 1000-Layer Diffusion Transformers
著者: Pengqi Lu
発表: 2026年5月（arXiv preprint）
このエピソードのポイント
画像生成AIを深くしていくと、エラーも出さずに突然壊れる謎の現象がある
原因は「平均成分」だけが暴走してトークンが全部同じ顔になる崩壊だった
平均とばらつきに別々のブレーキをかける「MV-Split」で1000層モデルの学習に成功
キーワード
拡散トランスフォーマー（DiT）: ノイズから画像を作る拡散モデルに、ChatGPTと同じ系統のトランスフォーマー構造を組み合わせた設計。Stable Diffusion 3などで使われています。
Mean Mode Screaming: この論文が名付けた現象。学習中に「みんなの平均」成分だけが急激に増幅して、全トークンが均質化してモデルが崩壊する瞬間のこと。
平均成分とばらつき成分: トークン全体を「全員の平均値」と「平均からのズレ」に分けたときの、それぞれの中身。平均だけが暴走するとモデルが壊れます。
MV-Split: 本論文の提案手法。平均成分は強く抑え、ばらつき成分は残すように、別々のブレーキをかける仕組み。
LayerScale: 既存の安定化手法。残差全体を一律に弱めるので安定はするけれど、学習が遅くなる副作用があります。
論文リンク
論文URL: https://arxiv.org/abs/2605.06169
...more
6min

FAQs about 放課後論文ラジオ:

How many episodes does 放課後論文ラジオ have?

The podcast currently has 83 episodes available.