論文の概要: SCI: An Equilibrium for Signal Intelligence

• arxiv url: http://arxiv.org/abs/2511.12240v1
• Date: Sat, 15 Nov 2025 14:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.694783
• Title: SCI: An Equilibrium for Signal Intelligence
• Title（参考訳）: SCI:信号インテリジェンスのための平衡
• Authors: Vishal Joshua Meesala,
• Abstract要約: 本稿では,解釈可能性の制御状態としてモデル化する制御理論フレームワークであるSCIを提案する。 SCIは解釈誤差DeltaSPを定式化し、[0,1]のSP(t)を目標に向かってアクティブに駆動する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present SCI, a closed-loop, control-theoretic framework that models interpretability as a regulated state. SCI formalizes the interpretive error Delta SP and actively drives SP(t) in [0, 1] ("Surgical Precision") toward a target via a projected update on the parameters Theta under a human-gain budget. The framework operates through three coordinated components: (1) reliability-weighted, multiscale features P(t, s); (2) a knowledge-guided interpreter psi_Theta that emits traceable markers and rationales; and (3) a Lyapunov-guided controller equipped with rollback, trust-region safeguards, and a descent condition. Across biomedical (EEG/ECG/ICU), industrial (bearings/tool wear), and environmental (climate/seismic) domains, SCI reduces interpretive error by 25-42% (mean 38%, 95% confidence interval 22-43%) relative to static explainers while maintaining AUC/F1 within approximately 1-2 percentage points of baseline. SCI also reduces SP variance from 0.030 to 0.011, indicating substantially more stable explanations. Modeling interpretability as a control objective yields steadier, faster-recovering, and more trustworthy interpretive behavior across diverse signal regimes.
• Abstract（参考訳）: 本稿では,解釈可能性を制御状態としてモデル化するクローズドループ制御理論フレームワークであるSCIを提案する。 SCIは解釈エラーDeltaSPを形式化し、SPをアクティブに駆動する (t) [0, 1] ("Surgical Precision") において,ヒトゲイン予算下でのパラメータ Theta の予測更新により目標に向かって行った。 フレームワークは,(1)信頼性に富んだマルチスケール機能P(t,)の3つの調整されたコンポーネントを通じて動作する。 s); (2) トレーサブルマーカーと論理を出力する知識誘導型インタプリタpsi_Theta,(3) ロールバック,信頼領域保護,降下条件を備えたリアプノフ誘導型コントローラ。 バイオメディカル(EEG/ECG/ICU)、工業(ベアリング/ツール着用)、環境(気候/地震)ドメイン全体において、SCIは、AUC/F1をベースラインの約1-2ポイントで維持しつつ、静的説明器と比較して解釈誤差を25-42%(平均38%、95%信頼区間22-43%)削減する。 SCIはまたSP分散を0.030から0.011に減少させ、より安定した説明を示す。 制御目的としての解釈可能性のモデル化は、様々な信号体制においてより安定し、より高速に回復し、より信頼できる解釈行動をもたらす。

関連論文リスト

• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Logistic-Gated Operators Enable Auditable Unit-Aware Thresholds in Symbolic Regression [3.2657452368624678]
  ロジスティックゲート演算子(LGO)は、学習可能な位置と急勾配を持つ可変ゲートである。 主にスムーズな作業では、ゲートは刈り取られ、パシモニーを保存する。 結果は、明確な単位認識しきい値を持つコンパクトな記号方程式であり、臨床アンカーに対して監査することができる。
  論文  参考訳（メタデータ） (2025-10-05T16:04:47Z)
• FedSSG: Expectation-Gated and History-Aware Drift Alignment for Federated Learning [4.175654562922818]
  FedSSGは、サンプリング誘導型、履歴対応のドリフトアライメント方式である。 FedSSGは、強いドリフト認識ベースラインを一貫して上回り、収束を加速する。
  論文  参考訳（メタデータ） (2025-09-17T10:43:05Z)
• From Embeddings to Equations: Genetic-Programming Surrogates for Interpretable Transformer Classification [9.17282078449475]
  本研究では, 冷凍トランスフォーマー埋め込みのシンボル代理モデルを用いて, キャリブレーションされた確率を持つコンパクトで監査可能な分類器について検討する。 5つのベンチマーク(SST2G、20NG、MNIST、CIFAR10、MSC17)では、ModernBERT、DINOv2、SigLIPの埋め込みがトレーニングセットに分割され、情報保存ビューに分割される。 協調型多集団遺伝プログラム(MEGP)は、これらの観点から付加的でクローズドなロジットプログラムを学ぶ。
  論文  参考訳（メタデータ） (2025-09-16T02:17:04Z)
• GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs [56.93583799109029]
  GrAInSは推論時ステアリングのアプローチで、言語のみのモデルと視覚言語の両方のモデルとタスクで動作する。 推論中、GrAInSはトークンレベルの属性信号によって誘導されるトランスフォーマー層で隠されたアクティベーションを隠蔽し、アクティベーションを正規化し、表現スケールを保存する。 微調整と既存のステアリングベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-24T02:34:13Z)
• Explainable Vulnerability Detection in C/C++ Using Edge-Aware Graph Attention Networks [0.2499907423888049]
  本稿では,C/C++コードの脆弱性検出のためのグラフベースのフレームワークであるExplainVulDを提案する。 平均精度88.25パーセント、F1スコア48.23パーセントをReVealデータセット上で30の独立ランで達成している。
  論文  参考訳（メタデータ） (2025-07-22T12:49:14Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Coalitional Bayesian Autoencoders -- Towards explainable unsupervised deep learning [78.60415450507706]
  その結果,BAEの予測は高い相関関係にあり,誤解を招くことが示唆された。 これを軽減するために、エージェントベースのシステム理論にインスパイアされた"Coalitional BAE"が提案されている。 公開条件監視データセットに関する実験は、Coalitional BAEを用いた説明の質の向上を実証している。
  論文  参考訳（メタデータ） (2021-10-19T15:07:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。