🐿️🐒🗻📚🐹🦈

インターネット上での議論は 建設的ではないため やらない主義らしい。

[🐿️🐒🗻📚🐹🦈 @SythonUK]

恒例の ICASSP 論文読み会ですが、6/22 (月) に株式会社ディー・エヌ・エー様に会場をご提供いただき実施する運びとなりました！皆様ぜひご参加ください🙏🙏🙏 #icassp2026jp

[🐿️🐒🗻📚🐹🦈 @SythonUK]

ICASSP2026論文読み会(東京&オンライン) を公開しました！ https://t.co/4qySv1ECER #icassp2026jp

[🐿️🐒🗻📚🐹🦈 @SythonUK]

https://t.co/KakniK5LsY

[🐿️🐒🗻📚🐹🦈 @SythonUK]

https://t.co/vZQnINbRL3

[🐿️🐒🗻📚🐹🦈 @SythonUK]

ｾｰｾｰｴｰｱｲ時代の研究指導なんもわからんman of the year 2026 受賞してる

[Makoto Kawano @mkt_kwn]

今後の「研究」のあり方　#JSAI2026 #HUMAI

[🐿️🐒🗻📚🐹🦈 @SythonUK]

それは、そう

[騎空士鮫ミンよりも遠い場所🇦🇶 @usa_akasa]

例えば私、科研費（若手）というのをとってます。これは最大で500万円まで申請できますが、なんやかんやで最終的には7割くらいになります。
そうすると３年計画だったとしたら年間120万円程度しかないわけです。ここから学生に年500万クラスの給料を払えるか？
もちろん答えはNO

じゃあもっとでかい研究費ならどうか
科研費のB（最大2000万）ならどうか？
同じく七がけされて三年の場合、年間の研究費は500万くらいになります。
さて、これを学生に使えるか？
もちろん答えはNO
学生の給料で研究費全部消えるじゃん

じゃあもっともっとでかい予算ならどうか？
例えば 5000万クラスなら、年間1000万強くらい使えるのでようやく払えそうです。
じゃあ学生に年間500万円払えるね！
もちろん答えはNO
なぜならそれだけ人件費に使える金があるなら、博士の学生に使うんじゃなくて普通にポスドクを雇うからです。

終

[🐿️🐒🗻📚🐹🦈 @SythonUK]

引用RTでの議論は 建設的ではないため やらない主義らしい。

[🐿️🐒🗻📚🐹🦈 @SythonUK]

🐿️なのでニンゲン社会よくわからないけど、博士よりポスドク（特に任期あり）の人の待遇を上げたほうが社会はハッピーになるのではないですかね？しらんけど

[人工知能学会 jsai-ann ML @jsai_ml]

[教員公募] 大阪大学 産業科学研究所 教授（情報科学）
　https://t.co/RUyXxBKRr5

[🐿️🐒🗻📚🐹🦈 @SythonUK]

人人人
人人人人人
人人人人人
　人人人

[大向一輝 @i2k]

人工知能学会の新しいロゴが発表されました！ #JSAI2026

[【公式】パークシャテクノロジー / PKSHA Technology Inc. @pkshatech]

【プレスリリース】PKSHA Technology、奈良先端科学技術大学院大学（NAIST）と次世代の音声合成技術に関する共同研究を開始 https://t.co/BXLOJpqnpb

[＊＊＊TNJ＊＊＊ @ntanji1]

【おやつ速報】skさんの京都のお土産、本家西尾の八ツ橋です！
ニッキ&抹茶です！

[オーキド博士, Ph.D. @DrOak_PhD]

博士学生「中田さん、この実験教えてもらえませんか？」（25歳、年収500万円）

ポスドクの中田さん「あーそれね、いいよ。」（35歳、年収300万円）

[🐿️🐒🗻📚🐹🦈 @SythonUK]

「端的に申し上げると、きつい。」←😢

[MizumotoAtsushi @MizumotoAtsushi]

センター長、口数が少なくなってるw

[Yukino Baba @yukino]

「人間中心の意思決定支援AI」と題して、#JSAI2026 でチュートリアルを行いました。
人AI協働意思決定において、人が適切にAIに頼るための方法論を、LLMの事例を含めて紹介しました！https://t.co/SD7Hk1GEUO

[Daisuke Okanohara / 岡野原 大輔 @hillbig]

LeapAlignは、フローマッチングモデルを報酬で直接アライメントする手法である。画像や音声など、フローマッチングを用いた生成モデルの事後学習では、人間の嗜好に合うように生成結果を調整することが重要になる。

LLMのような離散的なトークン生成過程とは異なり、フローマッチングの生成過程は連続的であり、微分可能である。ノイズから画像へ向かう潜在変数の軌道をODEとしてたどるため、最終画像に対する報酬の勾配を、生成過程を通じてモデルパラメータへ直接戻すことができる。

しかし、これには実用上大きな問題がある。フローマッチングによる生成は、通常20ステップや50ステップといった複数のODEステップを通して行われる。この生成過程全体に直接逆伝播すると、メモリコストが非常に大きくなるだけでなく、RNNの時間方向の逆伝播と同じように勾配爆発が起きる。

そのため、従来手法では生成の最後の方のステップだけを修正することが多かった。しかし、画像全体の構図やレイアウトは生成の初期ステップで決まりやすいため、最後の方のステップだけを更新しても、大域的な構造や構成的整合性を十分に改善することは難しかった。

LeapAlignは、長い生成軌道の中から2つの時刻を選び、それぞれに対応する潜在変数を用いて、2ステップだけの短い軌道を作る。そして、報酬からの勾配はこの短い軌道を通して流す。

このとき、フローマッチングでは、ある時刻の潜在変数から別の（前も含めた）時刻の潜在変数を一段で近似できる性質を利用する。LeapAlignはこの一段飛びの近似を2回使い、ノイズからから最終画像へ進む短い軌道を構成する。

ただし、この一段飛びの近似によって到達した潜在変数や最終画像は、実際の通常サンプリングで得られるものとはずれてしまう。そこで、latent connectorという工夫を加える。これは、実際の画像やそこから得られたノイズを使いながら、一段飛び近似との差分にstop gradientをかけることで、値としては実際の生成軌道を使い、勾配としては短い近似軌道を使う。

また、2ステップの短い軌道であっても、勾配爆発の問題は完全には抑えられない。特に、前のステップの変化が後のステップに影響するnested gradientが大きくなりやすい。LeapAlignでは、このnested gradientを完全に切るのではなく、係数をかけて弱める。これにより、ステップ間の依存情報を残しつつ、勾配の不安定化を抑える。

実験では、従来手法と比べて画像生成結果が大きく改善されている。特に、画像の大域構造や構成的整合性の改善が確認されている。

コメント
===
フローマッチングのように、連続空間で微分可能な生成過程を備えた手法では、LLMとは異なり、報酬勾配を生成過程に直接戻すことで、より自然にアライメントできる可能性がある。

LeapAlignは画像生成に適用されているが、フローマッチングを用いる他の領域、たとえば音声生成やロボット制御などにも応用が期待される。

通常のLLMにはそのまま適用しにくいが、連続潜在空間で生成するモデルや拡散型言語モデルなどには適用できる可能性がある。長い微分可能な生成過程に対して、直接最適化できる利点は大きく、大きく発展する可能性がある。

[🐿️🐒🗻📚🐹🦈 @SythonUK]

キンハーとか紅魔郷とか時オカが流れたので実質平成になりつつある

[任天堂株式会社 @Nintendo]

時を超えて、蘇る。
Nintendo Switch 2 『ゼルダの伝説 時のオカリナ』は、2026年発売。続報をお待ちください。
#ゼルダの伝説 #時のオカリナ #NintendoDirectJP