IROS2026はJournal Transferを加えて、以下の5件を発表します。#IROS2026# 1. A. Mustafa, R. Hanai, I. G. Ramirez-Alpizar, F. Marc Arden Erich, R. Nakajo, Y. Domae, and T. Ogata: ForceMapping: learning visual-force features from vision for soft objects manipulation 2. A. Mustafa, R. Hanai, I. G. Ramirez-Alpizar, F. Marc Arden Erich, R. Nakajo, Y. Domae, and T. Ogata: Non-Prehensile Throwing: A Reinforcement Learning Perspective 3. S. Fujita, H. Ichiwara, S. Sugano, and T. Ogata: Energy-Score Stabilized Attentive Mixture-Density Policy: A Lightweight Approach to Multimodal Robot Motion 4. X. Cai, H. Ichiwara, H. Hiruma, M. Yoshikawa, H. Ito, and T. Ogata: Stereo Multistage Spatial Attention for Real-Time Mobile Manipulation Under Visual Scale Variation and Disturbances 5. T. Tsukakoshi, T. Miyake, T. Ogata, Y. Wang, T. Akaishi, and S. Sugano: Close-Fitting Dressing Assistance Based on State Estimation of Feet and Garments with Semantic-based Visual Attention

.ﾟ+.創作コスプレ.+ﾟ. 🖤❤︎🖤 シスター ✖︎ 光沢タイツ 🖤❤︎🖤 Model：ゆより Photo：さとーさん【 @transfer_boy_ph 】 Studio： @studioleciel #タイツ# #シスター#

🤖 VLMを一切追加学習させずに、そのままロボットを動かせるとしたら。RoboDawnはこの問いに真正面から挑んだ研究です。 タイトル: Transferring the Intelligence of VLMs to Robotic Control (RoboDawn) URL: 事前学習済みVLMに、人間にも直感的な移動・回転・グリッパーの意味的コマンドと、数回分のデモンストレーションを文脈として与えるだけでロボットアームを操作させる手法です。 注目ポイントは3つあります。 🎮 ゲームのような操作インターフェース 移動・回転・グリッパー開閉といった離散コマンドで制御します。すべてグリッパーの中心点を基準にした相対指示なので、VLMがWeb上ですでに持っている空間操作の知識をそのまま活かせます。 📚 デモ1つで劇的に伸びる パラメータ更新は一切なし。コマンドの効果を示すプライマーとタスクデモを文脈に与えるだけで、RoboTwin 2.0での成功率がゼロショット53.2%からワンショット73.6%まで向上しました。 🏆 訓練済みロボット方策を上回る タスク特化の学習なしで、専用データでフル学習されたπ0.5(46.0%)やLingBot-VLA(50.4%)をゼロショットの時点で凌駕。実機のFrankaロボットでも90%の成功率を記録しています。 ロボット専用データを集めるより、VLMが既に持つ知能を引き出すインターフェース設計こそが鍵になるのかもしれません。 #ロボティクス# #VLM#

モデルを切り替えるたびに会話の文脈を再計算し直すの、実はもったいないかもしれません。 タイトル: Cross-Model KV Cache Transfer in LLM Families: A Closed-Form Linear Mapping for Prefill Reuse URL: ❓ そもそも何をする研究？ 💡 NVIDIAの研究チームが、あるサイズのLLMが計算したKVキャッシュを、別サイズの同系統モデルにそのまま「翻訳」して使い回す手法を提案しました。学習不要、閉形式のリッジ回帰だけで変換できます。 ❓ なぜモデルサイズをまたいで使い回したいの？ 💡 実運用ではコストと品質のバランスを取るために、小さいモデルから大きいモデルへエスカレーションしたり、会話途中でモデルを切り替えたりします。そのたびにゼロから文脈を再計算（re-prefill）するのは無駄が多いためです。 ❓ 精度は落ちないの？ 💡 良い組み合わせでは元モデル単体の73〜98%の精度を維持します。相性の悪いペアでは大きく劣化しますが、小さなMLPを追加するだけでHellaSwagが最大36.8ポイント回復しました。 ❓ どれくらい速くなるの？ 💡 再prefillと比べて2.7〜25倍高速。32Kトークンの長い文脈では最大25倍の差がつき、10ターン程度の会話でも精度の劣化はごくわずかでした。 #LLM# #KVキャッシュ#

🧬 「データは多いほど良い」という機械学習の常識が、ゲノム医療の世界では通用しないかもしれません。 タイトル: Transfer learning for genomic prediction in underrepresented populations URL: 疾患リスクを予測するポリジェニックリスクスコア（PRS）は、これまでほぼ欧州系集団のデータで作られてきたため、他の集団に使うと精度が落ちるという課題がありました。この研究では、UK Biobank（欧州系）とBiobank Japan（日本人）のデータ量を変えながら、8つの臨床形質でPRSの精度を検証しています。 注目ポイント1 📉 データが増えるほど良いとは限らない 欧州系データを使った転移学習が日本人向け予測に有利なのは、日本人側のサンプル数がおよそ15,000人に達するまで。それを超えると、むしろ日本人単独のデータで作ったモデルの方が精度が高くなります。 注目ポイント2 🧬 形質によって「賞味期限」が違う BMIのように遺伝的に保存性が高い形質は、欧州データの恩恵が25,000〜40,000人以上まで長続きします。一方、脂質関連の形質など集団固有性が強い形質では、恩恵はもっと早く失われます。 注目ポイント3 ⚖️ 手法選びもサンプル数次第 クロス集団向け手法PRS-CSxは、サンプル数が少ないうちはシンプルな手法に劣りますが、10万人規模に近づくと同等の性能を発揮します。万能な手法は存在せず、状況に応じた使い分けが必要です。 臨床ゲノミクスの公平性を高めるには、各地域のバイオバンク拡充と、形質・サンプルサイズに合わせた戦略選択の両輪が欠かせないことを示す研究です。 #ゲノミクス# #転移学習#

大きなモデルの賢さを、小さなモデルへ「再訓練なし」で移せる——しかも推論のその場で。そんな新しい能力転移の研究です。 タイトル: AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses URL: ❓ 蒸留と何が違うの? 💡 蒸留はターゲットの重みを訓練で更新します。本研究は重みを一切いじらず、強いビルダーモデルが推論時の「足場（ハーネス）」を組んで弱いモデルの実行を助けます。能力を推論環境ごしに転移させる発想です。 ❓ 足場って具体的に何をするの? 💡 主に3つです。 ・不安定な推論を決定的なコードに置き換える ・問題の種類ごとに戦略を振り分けるルーティング ・回答を確実にパースする厳格なフォーマット強制 ❓ どれくらい効くの? 💡 心の理論ベンチ4種で、GPT-5.4-miniの精度が0.49から0.91へほぼ倍増。全11ビルダー設定がベースラインを超えました。弱いモデルほど伸びしろが大きく効く一方、すでに強いモデルには逆効果になることもあります。 ❓ 成否を分けるのは? 💡 検証データを大量に探ることではなく、ビルダー自身の推論品質でした。強いビルダーは「タスク能力のコンパイラ」として、一度の推論で構造を手続き化します。 #AIAgents# #TestTimeScaling#

面白い研究＞信頼を育む行動を測る「OXYTOCINモデル」 ・Ovation：称賛する ・eXpectation：明確で挑戦的な期待を示す ・Yield：任せ、失敗を学習機会として扱う ・Transfer：選択の自由や自律性を与える ・Openness：情報や意思決定の理由を開示する ・Caring：相手を気にかけ、関係を育てる ・Invest：成長や能力開発に投資する ・Natural：強みも弱みも含め、自然体で関わる 信頼は、どれだけ”得”をするのか？　―収入・生産性・定着率への実証研究―｜紀藤 康行 | 強み先生 @KitoYasuyuki