論文の概要: The Decision Value of Perception Compute

• arxiv url: http://arxiv.org/abs/2609.35910v1
• Date: Mon, 28 Sep 2026 07:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.886853
• Title: The Decision Value of Perception Compute
• Title（参考訳）: 知覚計算の判定値
• Abstract要約: 本稿では,入力を安価な知覚モードから高価な知覚モードにエスカレートすることによる下流損失の変化として知覚計算の判定値を定義する。 KITTI や nuScenes に単分子幾何学を配置すると、下流の損失を変化させるエスカレーションの34～54%が悪化する。 nuScenesでは、知覚レベルの利得は意思決定値に署名することとよく一致しない。
• 参考スコア（独自算出の注目度）: 1.1602089225841632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive perception spends extra computation on inputs where perception is expected to improve. When perception feeds a downstream decision system, a better perception output need not produce a better decision. We define the decision value of perception compute as the change in downstream loss from escalating an input from a cheap to an expensive perception mode. Because this value can be negative, the allocation of perception compute should be judged against a budget-constrained decision oracle, with uniform full-fidelity inference as a baseline rather than an upper bound. We introduce DEEP (Decision Evaluation for Escalated Perception), a benchmark that scores pre-escalation allocators against this oracle under selection, latency and energy budgets, charging each allocator for its own computation. With deployed monocular geometry on KITTI and nuScenes, we find that 34--54% of the escalations that change downstream loss make it worse; harmful escalations also occur for the published PDM-Closed planner, evaluated open-loop on nuPlan with real detector outcomes. On nuScenes, perception-level gain frequently disagrees in sign with decision value. This mismatch has practical consequences: choosing among fixed deployable signals by missed-object perception gain rather than by decision value reduces realized test decision gain by 7.4% of the all-cheap loss on average. Learned allocators recover part of the oracle's value by finding beneficial escalations but select nearly as much harm as random, and once their own computation is charged at a 20% latency budget, only the lightweight routers, at about 3.5\% of a full detector pass, still beat random.
• Abstract（参考訳）: 適応的知覚は、知覚が改善すると予想される入力に余分な計算を費やす。 認識が下流の意思決定システムに影響を及ぼすとき、より良い認識出力がより良い判断をもたらす必要はない。 本稿では,入力を安価な知覚モードから高価な知覚モードにエスカレートすることによる下流損失の変化として知覚計算の判定値を定義する。 この値は負である可能性があるので、知覚計算の割り当ては、上界ではなくベースラインとして一様完全忠実推論を用いて、予算制約のある決定オラクルに対して判断されるべきである。 DeEP(Decision Evaluation for Escalated Perception)は、選択、レイテンシ、エネルギー予算において、各アロケータに対して、前エスカレーションアロケータをスコア付けし、各アロケータを独自の計算に課金するベンチマークである。 KITTI や nuScenes に単分子形状を配置すると、下流の損失を変化させるエスカレーションの34～54%が悪化し、また、公表された PDM-Closed プランナーにも有害エスカレーションが発生し、実際の検出結果とともにnuPlan 上のオープンループが評価される。 nuScenesでは、知覚レベルの利得は意思決定値に署名することとよく一致しない。 このミスマッチは、決定値よりもミスオブジェクト認識ゲインによって、固定されたデプロイ可能な信号の中から選択することで、実現されたテスト決定ゲインを平均で7.4%減らすという、実用的な結果をもたらす。 学習したアロケータは、有益なエスカレーションを見つけることでオラクルの価値の一部を回復するが、ランダムに多くの害を被る。彼らの計算が20%の遅延予算で充電されると、フル検出器パスの3.5倍の軽量ルータのみがランダムに打ち勝つ。

関連論文リスト

• Probability Contracts: Accuracy, Coherence, and Decisions Across LLM Interfaces [10.720985236309462]
  決定に使用される確率は、同等の要求に対して同じイベントを参照すべきである。 我々は、確率契約、正確な有限世界後部を接続するベンチマーク、検証された事象変換、そして失敗を意識した決定評価を導入する。
  論文  参考訳（メタデータ） (2026-09-27T19:07:58Z)
• Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
  LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。 実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
  論文  参考訳（メタデータ） (2026-08-02T00:27:01Z)
• Search as Computation Allocation [52.080489413778]
  多くのアルゴリズムは、決定を返す前に内部リソースを使い、その端末出力の品質によってのみ評価される。 終端計算割当問題などの手順を定式化する。 ベルマン方程式は、固定予算の下での最適割り当て、価格計算、正確な認証を特徴付ける。
  論文  参考訳（メタデータ） (2026-07-30T08:45:14Z)
• Lottery Tickets Are Not Deployment Tickets [4.230349220081444]
  我々は、下流決定論理を再構成することなく、精度に適合した宝くじ券または他のスパースチャレンジャーが、既存の高密度モデルを置き換えることができるかどうかを検討する。 実験全体を通して、スパース候補は繰り返し密度参照精度を回復するが、行動学的に異なるままである。 固定閾値ポリシー診断を備えた小さなギャップ設定では、宝くじの交換は受け入れレビュー決定の7%から10%に変化する。
  論文  参考訳（メタデータ） (2026-07-29T15:25:19Z)
• YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate [0.0]
  我々は,YUKTIが各ステージを正確に,非線形,あるいは進化的解法にルートすることを示す。 我々は,決定的後悔の正確な要因として境界作成rhoを証明し,監査可能なトレーサビリティを付加し,ベンチマークに忠実なデータ基盤を合成する。 規制上の不特定の下では、堅牢な妥協が平均とテールの後悔を90%以上削減し、単純なポイントプランと比較し、規制された商業上の決定では、合法的な行動空間内で最適化し、ユーロの下落価格を下げる。
  論文  参考訳（メタデータ） (2026-06-22T09:29:13Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)
• Optimizing Sensor Redundancy in Sequential Decision-Making Problems [6.801212913428521]
  強化学習(Reinforcement Learning, RL)ポリシは、現在の観測結果に基づいて行動を予測することで、累積的な将来の報酬を最大化する。 現実世界のアプリケーションでは、センサは現在の状態を計測し、RLポリシーが決定に依存する観察を行うために不可欠である。 本稿では、所定の閾値未満のコストを維持しながら、期待したリターンを最大化するためのバックアップセンサ構成の最適化について検討する。
  論文  参考訳（メタデータ） (2024-12-10T17:20:44Z)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Active multi-fidelity Bayesian online changepoint detection [20.54248927431526]
  変更点を検出するオンラインアルゴリズム、あるいは時系列の振る舞いの急激なシフトは、限られたリソースで展開されることが多い。 この測定の質や「忠実さ」に対して環境計測を収集するコストを取引することは有益かもしれない。 本論文では,どのデータを収集すべきか,コストに敏感な決定を下すマルチファイダリティアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-26T02:23:54Z)

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。