論文の概要: Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2608.02063v1
• Date: Mon, 03 Aug 2026 11:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.504351
• Title: Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification
• Title（参考訳）: 自動修正分類における一次保存的認知的判断補正のためのクロスフィット残効性
• Authors: Linzhuo Han, Zongyong Cui, Houbiao Li,
• Abstract要約: 本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
• 参考スコア（独自算出の注目度）: 1.547549252134621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic modulation classification research has largely emphasized representation accuracy, but a cognitive receiver must also decide when heterogeneous evidence justifies overriding a trusted default prediction. We study this post-inference problem through cross-fitted residual utility and a primary-preserving cognitive decision policy. A structured KAN-Fourier classifier supplies the default probability, while neural and non-neural candidates provide observable evidence. Candidate-specific residual utility is learned from train-split out-of-fold predictions, and a disjoint validation split freezes action thresholds, approved transitions, conditional routes, and a unified risk mask before held-out evaluation. On RMLA, RMLB, and HISAR, the complete system improves overall accuracy from 63.632% to 66.332%, 65.161% to 66.168%, and 77.769% to 79.867%, respectively. Controlled comparisons show that the isolated utility target does not uniformly dominate alternative out-of-fold meta-learners; the consistent gain comes from the complete evidence-and-action policy. Paired bootstrap and Holm-corrected McNemar analyses support the controlled gains. A frozen-policy stress test under carrier-frequency offset, I/Q imbalance, and synthetic Rayleigh/Rician fading yields positive gains in all 11 conditions, with every paired 95\% confidence interval above zero.
• Abstract（参考訳）: 自動変調分類研究は、表現精度を大幅に強調してきたが、認知的受信者は、不均一な証拠が信頼されたデフォルト予測を覆すことを正当化するかどうかを判断する必要がある。 我々は,このポスト推論問題を,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを通じて検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 列車分割予測から候補固有の残留ユーティリティを学習し、不随意検証によって動作しきい値、承認された遷移、条件付き経路、統一リスクマスクを凍結する。 RMLA、RMLB、HISARでは、全体の精度は63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に向上している。 制御された比較では、孤立したユーティリティターゲットが代替のメタラーナーを均一に支配していないことが示され、一貫した利得は完全なエビデンス・アンド・アクション・ポリシーから得られている。 ペアリングブートストラップとホルム補正マクネマール分析は制御利得を支持する。 キャリア周波数オフセット, I/Q不均衡, 合成レイリー/リッチ色調の凍結応力試験では, 11条件すべてで正の利得が得られた。

関連論文リスト

• ALIVE: Warnings Before Exclusion in Budgeted Multi-Source Learning [18.17400877167872]
  ルーティング決定は次のトランザクションで修正可能だが、遅延ソースの除外は後続の判断で継続される。 我々は,有限人口監査と学習が予算を共有している場合,不平等なパーシステンス行動を認める証拠を問う。
  論文  参考訳（メタデータ） (2026-07-31T13:18:47Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Beyond Output-Space Calibration: Spectral Evidence Bundling for Selective Reliability Estimation in Time-Series Classification [26.80740674805048]
  時系列分類のポストホック校正は通常、出力スコアを再マップするが、配置決定は現在の時間信号によって確実な予測が支持されるかどうかに依存する。 同一の信頼値が異なる時間的サポートを隠蔽し、平均キャリブレーションは偽の高信頼誤差を見逃し、出力空間再校正は限られた入力リンク監査性を提供する。 信頼すべきかどうかを推定しながら、バックボーンの予測を一定に保ちつつ、バリデーション付き固定ラベル信頼性ポリシーを導入する。
  論文  参考訳（メタデータ） (2026-06-29T01:31:00Z)
• Beyond Logprobs: A Multi-Signal Confidence Engine for LLM-Based Document Field Extraction [2.1997815944423516]
  ExtractConfはクロスドメインでフィールドに依存しない信頼性エンジンである。 同じ文書の2つの構造的に異なる読影において、信頼度を推定する。 0.928ROC AUCを達成し、logprob-meanよりも選択的な予測リスクを70%削減する。
  論文  参考訳（メタデータ） (2026-06-23T10:58:08Z)
• CHASE: Competing Hypotheses for Ambiguity-Aware Selective Prediction [2.1707529464094555]
  CHASEは、構造化された時間的説明を明示的に比較し、決定にコミットするか、棄権するかを決定する選択的な予測フレームワークである。 真の曖昧さは、競合する仮説間のスコアギャップを崩壊させるため、CHASEはこれらの仮説マージンよりもランク対応セレクタを優先する。 標準的不確実性ベースラインと比較すると、CHASEは全体としての絶対的正確性、三方向の正確性、全体的あいまい性に整合した棄権において顕著な利得を達成している。
  論文  参考訳（メタデータ） (2026-05-02T09:39:48Z)
• TRIAGE: Type-Routed Interventions via Aleatoric-Epistemic Gated Estimation in Robotic Manipulation and Adaptive Perception -- Don't Treat All Uncertainty the Same [2.755751829139168]
  ほとんどの不確実性を認識したロボットシステムは、予測の不確実性を単一のスカラースコアに分解し、それを使って一様に修正された応答をトリガーする。 このアグリゲーションは、破損した観測結果から不確実性が生じるか、あるいは学習されたモデルと真のシステム力学とのミスマッチから生じるのかを曖昧にしている。 本研究では,不確かさを動脈およびてんかん成分に分解する軽量なポストホックフレームワークを導入し,これらの信号を用いて推論時のシステム応答を調節する。
  論文  参考訳（メタデータ） (2026-03-09T09:07:43Z)
• Outcome Accuracy is Not Enough: Aligning the Reasoning Process of Reward Models [108.26461635308796]
  Rationale Consistencyは、モデルの推論プロセスと人間の判断のアライメントを定量化する、きめ細かい計量である。 我々のフロンティアモデルの評価では,最先端モデル間で合理的な一貫性が効果的に識別できることが示されている。 我々は、GenRMトレーニングの合理性一貫性と結果精度を組み合わせたハイブリッド信号を導入する。
  論文  参考訳（メタデータ） (2026-02-04T15:24:52Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)

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。