論文の概要: A First Glance at Jev for Network Traffic Classification: Accuracy, Processing Time, and Cost

• arxiv url: http://arxiv.org/abs/2610.00376v1
• Date: Wed, 30 Sep 2026 08:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.626472
• Title: A First Glance at Jev for Network Traffic Classification: Accuracy, Processing Time, and Cost
• Title（参考訳）: ネットワークトラフィック分類におけるJevの初歩 - 正確性、処理時間、コスト
• Abstract要約: 我々は,CESNET-QUICEXT-25における10のデータセット定義アプリケーションラベル上でJevを評価した。 40の固定ラベル付き例は、Jevの精度を9.80%から28.42%に引き上げている。 ペア化された100レコードサブセットでは、40のサンプルを持つJevが、中央値の要求時間0.750秒で29%の精度を達成しているのに対して、生成言語モデルOpenAI GPT-5.6では37%と6.036秒の精度で、Azureによる高い推論の努力を払っている。
• 参考スコア（独自算出の注目度）: 0.19336815376402716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We evaluate Jev on ten dataset-defined application labels in CESNET-QUICEXT-25 using only the first ten packets' sizes, directions, and inter-packet times. To the best of our knowledge, this is the first empirical study of general-purpose decision models, represented here by Jev, for application classification of network flows. Across 52,000 records from 26 collection weeks following the training period, 40 fixed labeled examples raise Jev's accuracy from 9.80% to 28.42%. Random Forest and Extra Trees trained on 8,000 records achieve 69.95% and 66.80% and outperform Jev in every week. Increasing Jev's context to 150 examples yields 34.50% on the first test week. On a paired 100-record subset, Jev with 40 examples achieves 29% accuracy at a median request time of 0.750 s, versus 37% and 6.036 s for the generative language model OpenAI GPT-5.6 Sol with high reasoning effort through Azure; Jev also incurs lower API charges. The paired subset does not establish an accuracy advantage for either service, and the timing reflects different service configurations. Thus, labeled examples substantially improve Jev, but the tested Jev configurations remain less accurate than trained tree ensembles; unequal supervision budgets and fixed configurations prevent attributing the gap to a single cause.
• Abstract（参考訳）: CESNET-QUICEXT-25の10個のデータセット定義アプリケーションラベルに対して,最初の10個のパケットのサイズ,方向,パッケージ間時間のみを用いてJevを評価する。 我々の知る限り、これは、ネットワークフローのアプリケーション分類のためのJevによって表現された汎用的な決定モデルに関する最初の実証的研究である。 トレーニング期間から26週間のコレクションから52,000件のレコードを収集し、40件の固定ラベル付きサンプルがJevの精度を9.80%から28.42%に引き上げた。 8000のレコードで訓練されたランダムフォレストとエクストラツリーは69.95%と66.80%を獲得し、毎週Jevを上回っている。 Jevのコンテキストを150の例に増やせば、最初のテスト週で34.50%になる。 ペア化された100レコードサブセットでは、40のサンプルを持つJevが、中央値の要求時間0.750秒で29%の精度を達成しているのに対して、生成言語モデルであるOpenAI GPT-5.6では37%と6.036秒の精度を実現している。 ペア化されたサブセットはどちらのサービスにも精度上の優位性を確立しておらず、タイミングは異なるサービス構成を反映します。 このようにラベル付けされた例は、Jevを大幅に改善するが、テストされたJev構成は、訓練された木のアンサンブルよりも正確ではない。

関連論文リスト

• Evaluating and Benchmarking the System One Model Jev [1.579162290333307]
  Jevは、テキストを生成しないTypeSafe AIのSystem Oneモデルである。 固定オプション、ルーブリック上の位置、あるいは文が真である確率から選択を返す。 分類,ルーティング,自然言語推論,読解,コモンセンス推論,モデレーション,法的条項解析,ルーリックスコアリングにまたがる37のデータセットに対して,Jevゼロショットを評価した。
  論文  参考訳（メタデータ） (2026-09-29T14:15:04Z)
• Chinese-Jev: Bringing System One Model to Chinese-Language Tasks [97.8132340393094]
  本稿では,中国語推論のためのシステム1モデルである Chinese-Jev を紹介する。 我々のデータ処理プロトコルは、異種中国語のアノテーションを候補候補に対する確率的ターゲットに変換する。 効率的な推論を可能にするために、China-Jevはテキストエンコーディングのための軽量エンコーダのみのバックボーンを採用し、候補回答のスコアリングを学ぶ。
  論文  参考訳（メタデータ） (2026-09-29T08:02:27Z)
• JevVibe: Efficient Classification-Guided Secure Code Generation [13.179507242314253]
  Jevは、宣言された候補セットから直接選択し、各候補に対して確率を返す決定モデルである。 JevVibeは診断誘導修復剤で、Qwen2.5-Coder-32B-Instructによって生成されたコードに予測されたCWEラベルを使用する。
  論文  参考訳（メタデータ） (2026-09-28T11:47:38Z)
• Decision Readouts for Text-Mediated Video Anomaly Detection: An Exploratory Evaluation of Jev and Qwen [9.92799001840128]
  我々は,UCF-CrimeとXD-Violenceの40本の動画と400本のターゲットアンカーのスパース開発サンプルを用いて,Jev型判定と3つのQwen読み出し結果を評価した。 XDキャプションでは、Jev Noulは平均精度を75.99%、Qwen生成確率は48.47%、ローカルな順序的予想が57.81%に達した。
  論文  参考訳（メタデータ） (2026-09-28T02:58:55Z)
• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Analysis of Convolutional Neural Network-based Image Classifications: A Multi-Featured Application for Rice Leaf Disease Prediction and Recommendations for Farmers [0.0]
  本研究では,8つの異なる畳み込みニューラルネットワーク(CNN)アルゴリズムを用いて,イネの病原性分類を改善する新しい方法を提案する。 この最先端のアプリケーションの助けを借りて、農家はタイムリーでインフォームドな意思決定ができる。 注目すべき結果は、ResNet-50の75%の精度、DenseNet121の90%の精度、VGG16の84%の精度、MobileNetV2の95.83%の精度、DenseNet169の91.61%の精度、InceptionV3の86%の精度である。
  論文  参考訳（メタデータ） (2024-09-17T05:32:01Z)
• Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
  我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。 我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。 CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
  論文  参考訳（メタデータ） (2023-12-22T07:42:00Z)
• SINF: Semantic Neural Network Inference with Semantic Subgraphs [3.767257257405998]
  本稿では,新しい識別能力スコア(DCS)に基づくディープニューラルネットワーク(DNN)における意味的部分グラフを生成するセマンティック推論(SINF)を提案する。 CIFAR100とImageNetデータセットのサブセットを用いて訓練したVGG16,VGG19,ResNet50 DNNの性能評価を行った。
  論文  参考訳（メタデータ） (2023-10-02T14:51:10Z)
• Reducing Variance in Temporal-Difference Value Estimation via Ensemble of Deep Networks [109.59988683444986]
  MeanQは単純なアンサンブル法であり、ターゲット値をアンサンブル平均として推定する。 本稿では,Atari Learning Environmentベンチマークを用いた実験において,MeanQが顕著なサンプル効率を示すことを示す。
  論文  参考訳（メタデータ） (2022-09-16T01:47:36Z)

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。