【官方投稿】magnet -recall- 初音未来、巡音流歌 大変夜分ではあるのですが、無断転載がいくつかあると聞いたのでbilibiliにも公式で動画をアップいたしました！

#今日のボカロ# 気づいてなかった自分呪います なんだこれ最高かよ magnet -recall- / 初音ミク、巡音ルカ #sm46253942# #ニコニコ動画# #ボカロ部# #今日のボカロ#

推薦システムの検索モデルを一切いじらずに、後付けの軽量な「検証器」を1つ足すだけでRecallが大きく伸びる。Metaのチームがそんな手法を発表しました。 タイトル: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations URL: 既存の検索モデル（ドラフター）を凍結したまま、候補アイテムの識別子トークンを生成的に評価する軽量ベリファイアを追加する「ドラフター・ベリファイア」構成を提案しています。 🌐 注目ポイント1: カタログが大きいほど効く 音楽推薦データセットYaMBDaでは、カタログ規模が大きくなるほど改善幅が拡大しました。最大規模（46億相互作用）ではRecall@10が最大29.8%も向上しています。 🧩 注目ポイント2: どんなドラフターにも刺さる汎用性 自己注意ベースのSASRec、リカレント型のGRU4Rec、畳み込み型のNextItNet、さらにLLMベースのMiniOneRecまで、性質の異なる4種類すべてで同じ訓練レシピが機能しました。 🔬 注目ポイント3: 効いているのは「生成的な検証」そのもの ドラフターに直接コンテンツ情報を注入すると単体性能はむしろ下がりますが、そこにベリファイアを足すと回復します。改善は単純な特徴注入ではなく、出力側の生成的な検証プロセスそのものから生まれていることが実証されました。 検索インデックスを変えずに後付けできる点が、大規模実運用への導入しやすさとして大きいと感じました。 #推薦システム# #機械学習#

最近LLSSの北海道編を見ると､そこでコスプレ旅行したの日が思い付いた(/ω＼*) The recent LoveLive Sunshine animation recalled my memory of I had joined the Cosplay event in Hokkaido Japan #lovelive_sunshine# #Aqours# #小原鞠莉# #ラブライブサンシャイン# 　#cosplay# #cosplayer# #コスプレ#

HSPは過去を引きずりがち。感情と記憶の結びつきが強く、時間が経っても昨日のことのように思い出してしまうから。また他人の感情も背負う、やさしい人だから。そんなあなたはとってもステキ。ただ、重しを少し置くイメージを持ってみよう。過去には感謝を。現在には愛情を。そして、未来には希望を。 HSPs tend to dwell on the past. This is because their emotions are strongly tied to their memories, so even as time passes, they can recall events as if they happened just yesterday. They’re also kind people who take on the emotions of others. You’re truly wonderful just the way you are. But try to imagine placing a small weight on each of these: gratitude for the past, love for the present, and hope for the future.

動画の埋め込みベクトルには物理法則の情報が眠っているのに、それをうまく取り出せていない。そんな現状を8,000件の物理シミュレーションで検証した研究です。 タイトル: World Embedding Benchmark URL: 流体力学・固体力学・力学系・光学の4分野80ファミリーからなる物理シミュレーションベンチマークで、動画埋め込みがどれだけ物理を「理解」しているかを測定しました。注目ポイントを3つ紹介します。 🔍 物理情報はあるのに引き出せない 事前学習済みモデルの検索精度（Recall@10）はわずか0.6〜7.3%と低い一方、V-JEPA2はテキストとの対応なしに物理量の回帰では高い性能（nRMSE約0.94〜1.02）を示しました。物理情報自体は符号化されているのに、言語とうまく結びついていないのです。 ⚖️ アラインメントと復元可能性のトレードオフ 物理特化のコントラスティブ学習を行うと、検索性能とペア分類は改善する一方、物理属性の回帰精度はむしろ悪化しました。類似度マッチング向けに表現空間を再編成することが、定量的な物理情報の保持を犠牲にしてしまうのです。 🎬 検索拡張生成での実用的な効果 物理適応したモデルで検索した参照動画を使うと、動画生成の平均スコアが0.60から0.66に向上し、光学・熱分野で特に忠実度が改善しました。 アラインメントと復元可能性を別々に最適化せず両方同時に評価すべきだという指摘が、世界モデル設計への具体的な教訓になっています。 #世界モデル# #動画生成AI#

TL;DR: 乱立するベクトル量子化手法を、共通の小さな部品（プリミティブ）の組み合わせとして統一的に扱い、同一条件で比較できるベンチマーク「VQ-bench」をPineconeが公開しました。 タイトル: VQ-bench: a Composable Vector Quantization Framework URL: ポイント 🧩 Center・Normalize・PCA・RandomRotateなど、量子化を構成する共通プリミティブを定義し自由に組み合わせ可能に 🔗 E-RaBitQなどの既存手法も「Center→Normalize→Random Rotation→Angular Cast」の4プリミティブの並びだけで再現 📊 VIBEの5データセット・14種類の量子化器をReconstruction MSE・Recall@10・エンコード時間で横並び比較 🥇 PQとOPQが一貫して最小のReconstruction MSEを記録 ⚡ EDENはPQ/OPQ/E-RaBitQより大幅に高速なエンコードを実現しつつRecallも高水準を維持 🛠️ 新規量子化器の追加は数行のコードで済み、新規プリミティブは既存の全部品と自動的に合成可能 バラバラだった量子化手法の評価が同じ土俵に乗ったことで、用途に応じた選定がしやすくなりそうです。 #ベクトル検索# #ベクトルDB#

🧭 TL;DR: LLMの「自信」を今この瞬間の推論だけで決めるのをやめ、過去の似た経験からどれくらい当たってきたかで較正する手法が登場しました。10サンプルの自己整合性より安く、しかも精度は同等以上です。 タイトル: Confidence Comes from Experience: Experiential Confidence Estimation from Reasoning to Agents URL: ポイント 🗂 過去のタスク・推論・当初の確信度・実際の正誤・教訓を経験バンクに蓄積 🔍 類似エピソードをk=50件検索し実際の的中率を統計的に把握(Recall) 💭 その実績を踏まえてモデル自身に確信度を言葉で再表明させる(Reflect) 🏆 24モデル×データセットの組み合わせ中23でSC@10と同等以上のAUROC 🤖 失敗が静かに起きがちなエージェントタスクで最大の差、AppWorldでは専用検証器すら上回る 📉 キャリブレーション誤差はドメイン全体で2〜20倍改善、計算コストは約10分の1 「今の推論だけ見る」から「積み重ねた実績を見る」への発想転換が効いている好例だと思います。 #LLM評価# #AIエージェント#

「このシャツに似ているけど、ロゴは別のもの」を画像と文章で探せる検索を改善する「FactEmbed」が面白い（ これは合成画像検索（CIR）と呼ばれる課題。画像を新しく作るのではなく、手元の写真と変更指示を組み合わせ、条件に合う画像を一覧から探す。難しいのは、変えたい部分と残したい部分を区別すること。 FactEmbedは、画像と言葉を扱うモデルの内部に、細部を分担する小さな表現を持たせる。学習時には変更後の画像の特徴を復元させ、検索時には全体の特徴で候補を絞り、細部の特徴も使って並べ直す。両方の表現を同じ1回のモデル処理で取り出せるのがポイント。 曖昧な注釈を整理したRefined-CIRRでは、正解を検索1位に置けた割合が68.99%。比較手法ReCALLの67.41%を上回った。服を探すRefined-FashionIQでも、正解が上位10件に入った割合のカテゴリ平均は71.13%で、ReCALLの69.48%より高い。 ただし、「変更後を想像する」学習だけでは検索精度は一貫して上がらなかった。特徴同士を検索に合うよう対応付ける学習や、追加データでの学習も組み合わせた結果。 付録には「スーパーマンのロゴではない」と指定したのに、比較モデルがそのロゴ入りを拾ってしまう例もある。単に似ている画像より、何を変えたかったかを守る検索。商品や素材を探す場面で役立ちそう。