論文の概要: GazeFS: Target-Centered Gaze-Trajectory Forecasting and Stabilization from Gaze-Head History

• arxiv url: http://arxiv.org/abs/2609.03868v1
• Date: Thu, 03 Sep 2026 13:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.095721
• Title: GazeFS: Target-Centered Gaze-Trajectory Forecasting and Stabilization from Gaze-Head History
• Title（参考訳）: GazeFS: Gaze-Trajectory Forecasting and Stabilization from Gaze-Head History
• Abstract要約: ターゲット中心の視線相互作用は、フレーム間変動を抑制する以上のものを必要とする。 我々は、視線補正をオンライン目標中心の視線軌道予測と安定化として定式化する。 可変長ガゼヘッド履歴を次の目標中心方向へマッピングするGazeFSを紹介する。
• 参考スコア（独自算出の注目度）: 9.30511118313211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Target-centered gaze interaction requires more than suppressing frame-to-frame fluctuations: target acquisition produces task-aligned changes in gaze-head dynamics, while a gaze trace may retain a persistent target-relative residual direction. We formulate gaze correction as online target-centered gaze-trajectory forecasting and stabilization and introduce GazeFS, which maps a variable-length gaze-head history to the next target-center direction and a short-horizon Search/Focus estimate without target information at inference. Across 7,960 acquisition episodes from 30 participants, Search-Focus differences remain stable under quality control, onset exclusion, and duration matching. History windows improve phase decoding over the current endpoint, but explicit task progress remains a strong control. Under the 30-participant, five-fold grouped out-of-fold protocol across three seeds, the reductions relative to raw hold in Focus episode bias, within-episode dispersion, and P90 target error are 0.182 degrees, 0.257 degrees, and 0.400 degrees, with participant-bootstrap 95% confidence intervals excluding zero. Endpoint-free replay from empty history preserves the Focus advantage and yields raw-network phase balanced accuracy/AUPRC of 0.925/0.993; coordinate controls further show that recent history contributes beyond explicit progress metadata. GazeFS therefore improves Focus target centering and empirical residual contraction while leaving temporal smoothness as a separate objective.
• Abstract（参考訳）: 目標獲得は視線-頭の動きのタスク整合的な変化を生じさせ、視線トレースは永続的な目標-相対的残留方向を保持する。 我々は,視線補正をオンライン目標中心の視線軌道予測と安定化として定式化し,可変長の視線ヘッド履歴を次の目標中心方向へマッピングするGazeFSと,推定時の目標情報のない短水平探索/焦点推定を導入する。 30人の参加者による7,960回の獲得エピソードのうち、検索とフォーカスの違いは、品質管理、オンセット排除、持続時間マッチングの下で安定している。 履歴ウィンドウは現在のエンドポイント上でフェーズデコードを改善するが、明示的なタスクの進捗は依然として強力なコントロールである。 3つの種にまたがる5つの折りたたみプロトコルでは、フォーカスエピソードバイアス、エピソード内分散、P90ターゲット誤差が0.182度、0.257度、0.400度であり、0を除く95%の信頼区間を有する。 空の履歴からの終点のないリプレイはFocusの優位性を保ち、0.925/0.993の生ネットワーク位相平衡精度/AUPRCを得る。 したがってGazeFSは、時間的滑らかさを別個の目的として残しながら、焦点集中と経験的残留収縮を改善する。

関連論文リスト

• Tracking the Unseen: An Occlusion-Robust Framework for Target Tracking Under Full and Long-Term Occlusion [0.0]
  リアルタイムマルチオブジェクトトラッキングシステムは、カメラの視野から一時的にまたは完全に消える、フルおよび長期の閉塞に対して脆弱である。 本研究は,目標識別と軌道継続性を維持するオクルージョン・ロバスト目標追跡フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-15T16:41:57Z)
• Context-Aware Causal Gaze Forecasting for Human-Vehicle Interaction During In-Cabin Tracking Dropouts [0.9668407688201359]
  本稿では,60フレーム前の視線と頭ポーズを符号化したCausal Context-Gated Forecaster(CCGF)を紹介する。 自然発生型GazeSenseヘッド_lostイベントを10人のドライバーが10.5hの自然運転から引き起こしたCCGFの評価を行った。
  論文  参考訳（メタデータ） (2026-09-11T02:44:27Z)
• Concept drift mitigation through community and spectral graph analysis for the detection of cyberattacks in network traffic [1.3999481573773072]
  検出モデルとは独立に各特徴に対して定義された安定性スコアであるt-robustnessを導入する。 特徴の連続した統計状態間のステップバイステップ距離と、その初期状態からの累積的なばらつきを組み合わせ、遅い単調なドリフトが安定性を損なうことができない。 評価はUGR16データセット上で行われ、3つの学習シナリオとコントロールシナリオにまたがる。
  論文  参考訳（メタデータ） (2026-09-08T20:51:00Z)
• One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
  同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。 トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。 OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
  論文  参考訳（メタデータ） (2026-09-06T08:32:59Z)
• Towards Continual Test-Time Adaptation of Vision-Language Models in Open-Vocabulary Semantic Segmentation [7.440412390819483]
  Diversify, Anchor, and Filter (DAF) はエントロピーに基づく適応を拡大するフレームワークである。 自然界,自律運転,水中画像,リモートセンシングの5つのデータセットを,その劣化した変種を用いて評価した。
  論文  参考訳（メタデータ） (2026-08-30T17:39:14Z)
• Excitation-Supervised Closed-Loop Self-Calibration and Target Seeking for an Unknown-Pose Range-Bearing Relay [0.0]
  本論文は、識別可能性を管理する閉ループ層を提供する。 励起教師付きアルゴリズムは、励起リセットコントローラを監督するために使用される。 崩壊率のスイープは、固定されたスケジュールの崩壊が未知の時間から適切な励振を追い越すとき、監督が重要であることを示している。
  論文  参考訳（メタデータ） (2026-08-12T19:00:07Z)
• Stale but Stable: Staleness-Adaptive Trust Regions for Stabilizing Asynchronous Reinforcement Learning [33.56197101721029]
  非同期強化学習は、最適化からロールアウト生成を分離することでスループットを向上させる。 結果として生じる不安定さは必然的な副産物であり、ポリシーラグ、エンジン遅延、およびエキスパートの混合ルーティングによって共同で合成される。 本稿では,分割されたサンプルログ比を実用的な安定化プロキシとして利用するStaleness-Adaptive Trust Region (SAT)を紹介した。
  論文  参考訳（メタデータ） (2026-07-21T05:27:50Z)
• Unveiling the Entropy Dynamics of Chain-of-Thought Reasoning [81.57028614960576]
  1)信頼性の高い -- 信頼性の高い -- 信頼性の高い領域での回答は高度に正確で安定したものになり、2)高冗長性 -- モデルは正しい回答に達した後ずっと経ってから不必要なトークンを生成する。 これらの特性はより効率的で信頼性の高い推論戦略を解き放つ。
  論文  参考訳（メタデータ） (2026-06-01T10:11:14Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• QueST: Persistent Queries as Semantic Monitors for Drift Suppression in Long-Horizon Tracking [2.064813317204182]
  QueSTは、インタラクション関連エンティティを永続的なセマンティッククエリとして扱う、モニタリング・バイ・デザインのフレームワークである。 ローカルなプロパゲーションの代わりに、各クエリは、各ステップ毎のグローバルなオーバータイムビデオ機能に出席する。 QueSTは67.7%の絶対点誤差(APE)を達成するための終端ドリフトを大幅に削減する 以上の結果から, セマンティックモニタリングを直接知覚に組み込むことにより, より信頼性の高い長距離追跡が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-10T12:48:01Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• On GRPO Collapse in Search-R1: The Lazy Likelihood-Displacement Death Spiral [59.14787085809595]
  この障害を引き起こす中核的なメカニズムとしてLazy Likelihood Displacement(LLD)を同定する。 LDDは早期に出現し、自己強化性LDDデススパイラル(LDD Death Spiral)を引き起こす。 本稿では,GRPO のための軽量な確率保存正則化 LLDS を提案する。
  論文  参考訳（メタデータ） (2025-12-03T19:41:15Z)
• 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)
• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)

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。