論文の概要: When Does Exercise-Specific Joint Selection Help? An Audit of Evaluation and Control Design

• arxiv url: http://arxiv.org/abs/2610.01188v1
• Date: Thu, 01 Oct 2026 07:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.95582
• Title: When Does Exercise-Specific Joint Selection Help? An Audit of Evaluation and Control Design
• Title（参考訳）: 運動・特殊関節選択はいつ助けになるか? : 評価と制御設計の検討
• Abstract要約: 運動特異的関節選択は、骨格に基づく正当性分類を改善することができるが、何が確立されるのか? 評価アグリゲーション,サブセット構造,時間的表現を分離し,10のREHAB24-6被験者から1,057の繰り返しを検査した。 この探索的監査は、なぜ共同選択の主張が明示的な評価と構造的に適切な制御を必要とするのかを示しており、新しいアルゴリズムや臨床的利益を確立していない。
• 参考スコア（独自算出の注目度）: 6.507333399003373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exercise-specific joint selection can improve skeleton-based correctness classification, but what does that gain establish? We audit 1,057 repetitions from ten REHAB24-6 subjects, separating evaluation aggregation, subset structure, and temporal representation. The manual-subset kNN gain changes from 0.055 for pooled out-of-fold AUROC to 0.020 for equal-weight within-person AUROC; both paired intervals include zero. Among 1,000 dimension-matched random maps, 14 match or exceed the manual pooled result, versus 145 when bilateral structure and trunk inclusion are also matched. RBF-SVM retains a positive within-person gain, whereas logistic regression and a random-convolution comparator have negative point gains under that estimand. Sequence-order and paired-seed controls further qualify the interpretation. This exploratory audit shows why joint-selection claims require explicit estimands and structurally appropriate controls; it does not establish a new algorithm or clinical benefit.
• Abstract（参考訳）: 運動特異的関節選択は、骨格に基づく正当性分類を改善することができるが、何が確立されるのか? 評価アグリゲーション,サブセット構造,時間的表現を分離し,10のREHAB24-6被験者から1,057の繰り返しを検査した。 手動サブセット kNN は AUROC の 0.055 から AUROC の 0.020 に変更された。 1000の次元整合ランダムマップのうち、14は手動によるプール結果と一致または超え、一方、両側構造とトランクの包含も一致した場合は145である。 RBF-SVMは正の対人ゲインを保持するが、ロジスティック回帰とランダム畳み込みコンパレータはその推定値の下で負の点ゲインを持つ。 順序順とペア列の制御により、解釈の資格がさらに高められる。 この探索的監査は、なぜ共同選択の主張が明示的な評価と構造的に適切な制御を必要とするのかを示しており、新しいアルゴリズムや臨床的利益を確立していない。

関連論文リスト

• Intrinsic-Extrinsic Coupling in Learning Dynamics [0.0]
  制約付き学習状態介入の継続条件値を用いて本質的・外生的結合を定式化する。 我々は,地域の許容度,継続条件付き介入値,完全政治性能を区別する。
  論文  参考訳（メタデータ） (2026-09-24T17:30:22Z)
• Discover, Falsify, Revise: Auditing Input-Use Claims from Source Code to Predictive Contribution in Agent-Discovered Cell Models [14.115576492673249]
  AI仮想細胞は、特定の介入に対する細胞応答を予測することを目的としている。 CellAUDITを導入し、入力が参照された計算に入力できるかどうかを問うことで、入力利用請求を監査する。
  論文  参考訳（メタデータ） (2026-09-23T02:07:27Z)
• Neural-Bayesian Structure Learning for Discrete Choice Modeling [6.319601146638786]
  本稿では,無作為性に基づく離散的選択推定と微分可能な構造学習を結合するフレームワークを提案する。 Neural-BSLは、振る舞いコヒーレントな依存関係構造を回復しながら、従来のベンチマークに匹敵する予測性能を達成する。
  論文  参考訳（メタデータ） (2026-08-26T00:42:54Z)
• ARISE: An adaptive residual-informed stability ensemble for feature selection in small-sample biomedical omics [0.7286424005725253]
  小サンプル分子分類では、予測的、安定的、および非冗長なサブセットを二項および多クラスの結果として識別するセレクタが必要である。 本稿では, 相補的関連信号, クラスバランス安定性評価, 残差インフォームド冗長性制御, マルチクラス対のカバレッジを統合したARISEを提案する。
  論文  参考訳（メタデータ） (2026-08-14T20:10:22Z)
• 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)
• CriterAlign: Criterion-Centric Rationale Alignment for Code Preference Judging [95.02210956333374]
  本稿では,一対の選好評価にルーブリックに基づく判断を適応させる基準中心のフレームワークを提案する。 BigCodeRewardでは、CriterAlignはQwen2.5-VL-32Bモノリシック判事を60.4%から66.3%に改善した。
  論文  参考訳（メタデータ） (2026-05-19T10:59:19Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization [0.0]
  深層学習トレーニングは非決定論的であり、異なるランダムなシードを持つ同一のコードは、集約メトリクスに異を唱えるが個々の予測に異を唱えるモデルを生成する。 ランダム性の3つの源を除去する検証ビット識別訓練の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-30T05:04:57Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。