論文の概要: Aggregate accuracy conceals concentrated temporal vulnerability in a spiking speech classifier

• arxiv url: http://arxiv.org/abs/2610.03155v1
• Date: Fri, 02 Oct 2026 11:27:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.349827
• Title: Aggregate accuracy conceals concentrated temporal vulnerability in a spiking speech classifier
• Title（参考訳）: 発声音声分類器における集中的時間的脆弱性のアグリゲート精度による隠蔽
• Abstract要約: 集約精度は、どの発話が局所的に脆弱であるか、ラベルが安定していればどのように内部活動が変化するかを明らかにすることはできない。 凍結したSpikeSCR分類器の約100の検証発話について, 隣接ビン725,070の予測を全て保持する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aggregate accuracy cannot reveal which utterances are locally vulnerable or how internal activity changes when labels remain stable. We retain every prediction for 725,070 adjacent-bin, one-count changes around 100 validation utterances of a frozen SpikeSCR-based classifier. The canonical native-horizon GPU singleton path reaches 86.0836% validation accuracy. Equal-source expected accuracy under a uniformly chosen neighbor rises from 84.00% to 84.54%, although 13 of 84 initially correct sources admit adverse neighbors. Five sources carry 93.21% of adverse moves. Margin-guided and surrogate-gradient searches miss sparse cases at fixed query budgets; a post hoc gradient prefix finds all 13 at 73.45% of the census of initially correct sources. Source-matched traces and clean-state interventions distinguish internal change from harmful direction and recoverability. Two count-readout replicas have similar validation accuracies but a 5.21-fold class-change gap concentrated in four sources. Controlled query/key source isolation eliminates 531 batch-order label changes and restores bitwise order invariance across all 9,981 validation score vectors. Isolated batch predictions reproduce padding-matched singleton labels on 9,980 of 9,981 inputs. Paired CPU/GPU replay of all 25,820 class-changing neighbors gives 99.8993% label agreement and preserves all 13 vulnerable sources and their fixed witnesses. Complete source-conditioned maps distinguish vulnerability incidence, concentration, internal change, and execution dependence that aggregate accuracy leaves unresolved.
• Abstract（参考訳）: 集約精度は、どの発話が局所的に脆弱であるか、ラベルが安定していればどのように内部活動が変化するかを明らかにすることはできない。 凍結したSpikeSCR分類器の約100の検証発話について, 隣接ビン725,070の予測を全て保持する。 標準ネイティブ-水平GPUシングルトンパスは86.0836%の検証精度に達した。 均一に選択された隣人の下での同等のソースの予測精度は84.00%から84.54%に上昇するが、84のソースのうち13は最初、悪質な隣人を認めていた。 5つの情報源は93.21%の悪行を担っている。 Margin-guided and surrogate-gradient search(英語版)は、固定されたクエリ予算でスパースケースを見逃し、ポストホック勾配プレフィックスは、最初の正確な情報源の国勢調査の73.45%で13を全て発見している。 ソースマッチングされたトレースとクリーンステートの介入は、内部の変更を有害な方向と回復性から区別する。 2つのカウントアウトレプリカの検証精度は似ているが、5.21倍のクラスチェンジギャップは4つのソースに集中している。 制御されたクエリ/キーソースの分離は、531のバッチ順序ラベルの変更を排除し、9,981のバリデーションスコアベクターのビット順不変性を復元する。 分離されたバッチ予測は、9,981入力の9,980でパディングマッチングされたシングルトンラベルを再現する。 25,820のクラスチェンジ隣人のCPU/GPUのペアリングは99.8993%のラベル契約を与え、13の脆弱性のあるソースとそれらの固定された目撃者を全て保存する。 完全なソース条件付きマップは、脆弱性の発生率、集中度、内部変化、実行依存性を区別し、集計精度は未解決のままである。

関連論文リスト

• DeBERTa-ConPara: Attack-Aware and Deployment-Realistic Detection of AI-Generated Text [42.255101883505056]
  DeBERTa-ConParaは,HC3 Plus,M4,MAGE,RAIDで学習した文脈変換器エンコーダと,攻撃対応Unicode前処理を組み合わせたデプロイメント指向検出器である。 我々の中心的な発見は、前処理が適用された場所によって反対方向に作用することである。 2つの配置の因子的変化は、正規化推論による生のトレーニングを最高の設定として独立に識別する。 12種類の攻撃クラスのうち、ホモグリーフとゼロ幅空間の挿入は11.05%から1.12%から96.98%に増加した。
  論文  参考訳（メタデータ） (2026-10-01T00:57:33Z)
• Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
  我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。 5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。 アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
  論文  参考訳（メタデータ） (2026-09-30T16:40:22Z)
• Reliability-Aware Checkpoint Selection for Domain Generalization [40.17114894052837]
  精度制約付き信頼性選択(AC)について検討する。 ACは、最適なソースバリデーション精度の許容範囲内にチェックポイントを保持し、ソース信頼性でランク付けする。 ACは目標データを使用しず、追加のトレーニングも重量平均化も必要としない。
  論文  参考訳（メタデータ） (2026-09-30T15:17:32Z)
• Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
  証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。 我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
  論文  参考訳（メタデータ） (2026-09-27T13:01:02Z)
• Measuring the Checker: Mutation Analysis for GPU-Kernel Benchmark Oracles [86.41218924166775]
  LLM生成のGPUカーネルのベンチマークは、ランダムな入力とゆるやかな浮動小数点耐性で正確性を決定する。 最近の研究は、これらのチェッカーは弱く、手動でパッチを当てることに同意している。 本稿では,カーネルベンチマークの精度指標として突然変異解析を導入する。
  論文  参考訳（メタデータ） (2026-09-02T10:30:05Z)
• PROOF: Profiling Reliability of Object-Level Facts in Large Language Models [33.72751145910978]
  PROOFは、命令調整言語モデルにおける事実カバレッジのためのプロファイル指向のベンチマークである。 各質問には、明示的な"I don't know"オプション、"No correct option"コントロール、および9つの制御された定式化がある。 我々は166,374個のオープンウェイトモデル配置を18個のオープンウェイトモデル配置で評価し,各プロンプトと固定10%のサブセットで個別にパーターブデコーディングを行う。
  論文  参考訳（メタデータ） (2026-08-24T17:13:25Z)
• Theoria: Rewrite-Acceptability Verification over Informal Reasoning States [0.0]
  このギャップを埋める検証アーキテクチャであるTheoriaを紹介します。 候補解は、型付き状態遷移のシーケンスに書き換えられる。 すべての遷移は独立して監査可能である。
  論文  参考訳（メタデータ） (2026-07-01T17:56:42Z)
• Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers [0.0]
  デプロイされた安全分類器における分散シフトのオンラインモニタリングシステムを提案する。 検出後、共形吸収層は、目標誤差を回復する決定に適応する。 このシステムは平均遅延39.5800ステップで86.6%の検知を実現している。
  論文  参考訳（メタデータ） (2026-06-10T11:24:25Z)

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。