# MLSys 2026 Closing Recap > [!info] 素材 > MLSys 2026 closing プレゼンのスライド写真から読み取った内容に基づく recap 用メモ。数値はスライド上の表示を優先し、写真から読み取りづらい箇所は断定を避ける。 ## [[MLSys2026]] に貼る短縮版 - Closing では、AI システム研究の進展を「headspinning」と表現し、MLSys がその主要な発表の場になっていることを強調していた。投稿数と参加者数はいずれも前年比 80% 増。 - コミュニティ規模は、著者約 1.2k、査読約 1.8k 件、参加者約 1.1k。単なる論文発表の場ではなく、査読・アーティファクト評価・産業トラックを含む大規模な研究運営システムになっている。 - 2026 年の新要素として Industry Track が導入された。初年度から 87 件の投稿があり、61 名の専用査読委員会が担当した。Research Track が新規性・技術品質・インパクトを重視するのに対し、Industry Track は実運用でのインパクト、展開上の学び、実践的知見を重視する設計だった。 - 査読プロセスでは 1,844 件のレビューが提出され、前年比 82% 増。全論文が少なくとも 3 件のレビューを受け、80% の論文が 4 件または 5 件のレビューを受けた。1 週間のオンライン PC 議論と丸 1 日の仮想 PC ミーティングも実施された。 - 採択論文は 135 件で、内訳は Research Track 107 件、Industry Track 28 件。全体採択率は 26%。スライド上では Research Track が 25%、Industry Track が 32% と示されていた。 - アーティファクト評価では 50 件の提出があり、前年比 61% 増。106 名の AEC レビューアが 1 か月かけて評価した。内訳は Available 3 件、Available + Functional 15 件、Available + Functional + Reproduced 32 件で、Reproduced バッジが MLSys 2026 の新要素として導入された。 - Industry Track のレビューに限定して、AI 支援レビュー検証の制御実験も行われた。大規模言語モデルが各レビューを評価し、事実誤り、短すぎるレビュー、トーン、スコアと本文の不一致などをフラグしたうえで、チェアが人間参加型で確認した。目的はレビュー品質の改善であり、論文の採否には影響させない設計だった。 - 初期レビュー評価は Good 53%、OK 25%、Check 22%。Check はプログラムチェアにフラグされたレビューであり、レビュー品質そのものをシステム的に監査する試みとして興味深い。 - Award は、Research Track では 417 件の投稿から Best Research Paper 3 件と Honorable Mention 3 件、Industry Track では 87 件から Best Industry Paper 1 件と Honorable Mention 1 件、Artifact では 50 件から Distinguished Artifact 2 件が選ばれた。 - Best Research Paper の一つとして、[[2026__MLSys2026__LEANN A Low-Storage Overhead Vector Index|LEANN: A Low-Storage Overhead Vector Index]] が表彰された。スライド上の著者は Yichuan Wang, Zhifei Li, Shu Liu, Yongji Wu, Ziming Mao, Yilong Zhao, Xiao Yan, Zhiying Xu, Yang Zhou, Ion Stoica, Sewon Min, Matei Zaharia, Joseph Gonzalez。 ## Recap 本文案 MLSys 2026 の closing は、会議そのものが急拡大する AI システム研究の縮図になっていることを示す内容だった。冒頭で「AI Systems Research Progress is Headspinning」と述べられ、MLSys はその成果が集中的に可視化される場として位置づけられていた。投稿数と参加者数はいずれも前年比 80% 増であり、著者約 1.2k、参加者約 1.1k、レビュー約 1.8k 件という規模に達している。 2026 年の重要な制度的変化は Industry Track の新設である。初年度から 87 件の投稿があり、61 名の専用レビュー委員会が担当した。Research Track が新規性、技術品質、インパクトを主軸に据えるのに対し、Industry Track は実世界の機械学習システムにおけるインパクト、デプロイメントから得た教訓、実践的な洞察を明示的に重視する。匿名化方針にも差があり、Research Track は完全ダブルブラインドである一方、Industry Track は著者名を伏せつつプロダクト名は許容する設計だった。これは、実運用の文脈を消しすぎると産業論文の価値が伝わりにくいという問題への現実的な対応だと読める。 査読プロセスも大規模化している。1,844 件のレビューが提出され、これは前年比 82% 増だった。全論文が少なくとも 3 件のレビューを受け、80% の論文は 4 件または 5 件のレビューを受けた。さらに、1 週間のオンライン PC 議論と丸 1 日の仮想 PC ミーティングが行われた。MLSys は単に投稿数が増えた会議というより、増大する投稿量に対してレビュー品質をどう維持するかを実験している会議でもある。 採択論文は 135 件で、Research Track 107 件、Industry Track 28 件という内訳だった。全体採択率は 26% で、スライド上では Research Track 25%、Industry Track 32% と示されていた。Industry Track が新設直後から 28 件の採択を出したことは、実運用からの知見を MLSys の中心的な研究成果として扱う方向性を明確にしている。 アーティファクト評価も MLSys らしい重点だった。提出は 50 件で前年比 61% 増、106 名の AEC レビューアが 1 か月かけて評価した。評価結果は Available 3 件、Available + Functional 15 件、Available + Functional + Reproduced 32 件であり、Reproduced バッジは MLSys 2026 の新要素として導入された。論文を読むだけでなく、成果物を動かし、機能性と再現性まで確認する文化を強めている。 特に興味深かったのは、Industry Track のレビューに限定した AI 支援レビュー検証の制御実験である。大規模言語モデルが各レビューを評価し、事実誤り、短すぎるレビュー、トーンの問題、スコアと本文の不一致などを検出する。チェアがそのフラグを確認し、必要に応じてレビューアに品質改善を依頼する。ただし、目的はレビュー品質の改善であり、スコア変更や採否への介入ではない。初期レビュー評価は Good 53%、OK 25%、Check 22% で、レビューそのものを査読対象として監査する仕組みが導入されつつあることを示していた。 Award では、Research Track 417 件の投稿から Best Research Paper 3 件と Honorable Mention 3 件、Industry Track 87 件から Best Industry Paper 1 件と Honorable Mention 1 件、Artifact 50 件から Distinguished Artifact 2 件が選ばれた。Best Research Paper の一つには [[2026__MLSys2026__LEANN A Low-Storage Overhead Vector Index|LEANN: A Low-Storage Overhead Vector Index]] が含まれていた。LEANN は、ベクトルインデックスのストレージオーバーヘッドを下げることで、オンデバイス検索や RAG の実用範囲を広げる研究であり、今回の会議全体の関心である「AI システムを実際に動かすための効率化」とよく対応している。 全体として、closing から見えた MLSys 2026 の特徴は三つある。第一に、AI システム研究の成長速度が会議運営の規模そのものを押し上げている。第二に、Industry Track とアーティファクト評価によって、実運用と再現性を研究成果の中心に置こうとしている。第三に、AI 支援レビュー検証のように、会議運営自体も AI for AI Systems の実験場になっている。MLSys 2026 は、AI を支えるシステムを扱うだけでなく、その研究コミュニティを運営するシステムも同時に作り替えようとしていた。 ## スライド別メモ ### Conference scale ![[mlsys2026-closing-ai-systems-growth.jpeg|700]] - 投稿数と参加者数は前年比 80% 増。 - Keynote Speakers: - Mark Saroufim - Lidong Zhou - Amin Vahdat - Luke Zettlemoyer - Christos Kozyrakis - Authors: 約 1.2k。 - Program Committee and Reviewers: 約 1.8k reviews。 - Attendees: 約 1.1k。 ### Industry Track ![[mlsys2026-closing-industry-track.jpeg|700]] - MLSys 2026 の新設トラック。 - 対象は、実世界の機械学習システムの設計、実装、そこから得た教訓に関する論文。 - 初年度の Industry Track 投稿数は 87 件。 - 専用レビュー委員会は 61 名。 - Research Track: - Focus: novelty, technical quality, impact。 - Anonymization: fully double-blind。 - Industry Track: - Focus: impact, deployment lessons, practical insights。 - Anonymization: author names withheld; product names allowed。 ### Review Process ![[mlsys2026-closing-review-process.jpeg|700]] - 1,844 reviews submitted。前年比 82% 増。 - 100% の論文が少なくとも 3 件のレビューを受けた。 - 80% の論文が 4 件または 5 件のレビューを受けた。 - 1 週間の PC オンライン議論を実施。 - 丸 1 日の仮想 PC ミーティングを実施。 ### Accepted Papers ![[mlsys2026-closing-accepted-papers.jpeg|700]] - 採択論文は 135 件。 - Research Track: 107 件。 - Industry Track: 28 件。 - 全体採択率は 26%。 - スライド上のグラフでは Research Track 25%、Industry Track 32%。 ### Artifacts ![[mlsys2026-closing-artifacts.jpeg|700]] - アーティファクト提出は 50 件。前年比 61% 増。 - 106 名の AEC レビューアが 1 か月かけて評価。 - Available: 3 件。 - Available + Functional: 15 件。 - Available + Functional + Reproduced: 32 件。 - Reproduced は MLSys 2026 の新要素として示されていた。 ### AI-Assisted Review Verification ![[mlsys2026-closing-ai-assisted-review.jpeg|700]] - レビュー品質問題を見つけるための制御実験。 - 論文の採否には影響させない設計。 - 今年は Industry Track のレビューに限定して実施。 - 手順: - 大規模言語モデルが各レビューを評価。 - 事実誤り、短すぎるレビュー、トーン、スコアと本文の不一致などをフラグ。 - チェアがフラグを確認。 - レビューアがレビュー品質を改善。 - 初期レビュー評価: - Good: 53%。 - OK: 25%。 - Check: 22%。 ### Paper and Artifact Awards ![[mlsys2026-closing-awards.jpeg|700]] - Best Research Papers: 3 件、Honorable Mentions: 3 件。417 投稿から選出。 - Best Industry Paper: 1 件、Honorable Mention: 1 件。87 投稿から選出。 - Distinguished Artifacts: 2 件。50 投稿から選出。 ![[mlsys2026-closing-leann-award.jpeg|700]] - Best Research Paper Awards の一つ: - [[2026__MLSys2026__LEANN A Low-Storage Overhead Vector Index|LEANN: A Low-Storage Overhead Vector Index]] - Authors: Yichuan Wang, Zhifei Li, Shu Liu, Yongji Wu, Ziming Mao, Yilong Zhao, Xiao Yan, Zhiying Xu, Yang Zhou, Ion Stoica, Sewon Min, Matei Zaharia, Joseph Gonzalez。