論文の概要: Decision-FLIP: Budget-Free Structured Pruning for Gaussian Occupancy Models
- arxiv url: http://arxiv.org/abs/2610.20917v1
- Date: Wed, 14 Oct 2026 20:48:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.068489
- Title: Decision-FLIP: Budget-Free Structured Pruning for Gaussian Occupancy Models
- Title（参考訳）: 決定-FLIP:ガウス占有モデルのための予算不要な構造化プルーニング
- Abstract要約: Decision-FLIPは、無償のコンパイルフレームワークである。
読み出しから行が削除されたときに変化するvoxel argmax決定数によって、各永続行をスコアする。
ストリーミングバンクでは、各行のライフサイクルを通じて、ワープ、デス、リフィルを通じてスコアが統合される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Occupancy predictors rely on large persistent banks of Gaussians or learned queries whose size is fixed by hand. Common pruning proxies, such as opacity, activation frequency, or parameter magnitude, do not measure whether removing a row changes the model's voxel decisions. We introduce Decision-FLIP, a budget-free compilation framework whose scoring and structure selection need only unlabeled calibration inputs. Exact Mean-FLIP scores each persistent row by the number of voxel argmax decisions that change when the row is removed from the readout; a guarded Otsu split of the log-score distribution selects the survivor count without a target and abstains when the split is unsupported; and the survivors are physically compiled into a smaller checkpoint, so camera sampling, attention, and aggregation shrink with the bank. For streaming banks, scores are integrated over each row's lifecycle through warp, death, and refill. Across four Gaussian-bank model-dataset settings and one persistent-query transfer, the automatically selected cuts remove 12-79% of eligible rows and cut bank/query-dependent latency by 7-45% across settings with component profiles, with whole-model savings of up to 8.0% on the primary endpoints bounded by fixed-cost image, voxel, and sensor modules and peak-memory savings of up to 16.6%. Under matched one-epoch recovery controls, semantic mIoU changes by at most 0.18 point. Same-$K$ controls show that the ranking, not only the bank size, matters: random removal collapses GaussianFormer-1 and OccFormer, while label-free Mean-FLIP matches or outperforms supervised Taylor ranking on all five settings where that control was run. The method applies when removable primitives keep a stable checkpoint-row identity; it is budget-free in survivor count, not parameter-free.
- Abstract（参考訳）: 実行予測器は、手作業でサイズが固定されたガウス語や学習されたクエリの大きな永続的なバンクに依存している。
不透明度、アクティベーション周波数、パラメータ等、一般的なプルーニングプロキシは、行の削除がモデルのボクセル決定を変更するかどうかを計測しない。
Decision-FLIPは、スコアと構造の選択がラベルなしのキャリブレーション入力のみを必要とする、予算のないコンパイルフレームワークである。
Exact Mean-FLIPは、行が読み出しから削除されたときに変化するボクセルargmax決定数で各永続行をスコアし、ログスコア分布のガードされた大津分割は、対象のない生存数を選択し、分割が不要になったときに停止し、生存者は、物理的に小さなチェックポイントにコンパイルされるので、カメラサンプリング、注意、および銀行との凝集が減少する。
ストリーミングバンクでは、各行のライフサイクルを通じて、ワープ、デス、リフィルを通じてスコアが統合される。
4つのガウス・バンク・モデル・データセット設定と1つの永続的なクエリー転送で、自動選択されたカットは、12～79%の許容行を削除し、コンポーネントプロファイルを含む設定でバンク/クエリ依存のレイテンシを7～45%削減し、固定コストの画像、ボクセル、センサーモジュールによってバウンドされたプライマリエンドポイントでは最大8.0%、ピークメモリでは最大16.6%削減した。
一致した1エポックリカバリコントロールの下では、セマンティックmIoUは少なくとも0.18ポイント変化した。
ランダムな除去はGaussianFormer-1とOccFormerを崩壊させ、ラベルなしのMean-FLIPマッチやパフォーマンスは、コントロールが実行された5つの設定でTaylorランキングを監督する。
この方法は、削除可能なプリミティブが安定したチェックポイント・ローのアイデンティティを保持する場合に適用される。
関連論文リスト
- Selection-Safe Conformal Early Exit: Distribution-Free Coverage under Adaptive Depth [1.0742675209112622]
各アーリーエグジットに設定された共形予測の校正は、データ依存エグジットが選択されると、カバレッジを保存しない。
我々は、プレフィックスの最大値から1つの端末パススコアを構築し、単一の分割型量子化をキャリブレーションし、すべての有効な端末セットを含むネスト付きプレフィックスセットを返す。
論文 参考訳（メタデータ） (2026-10-14T18:22:06Z) - TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。
Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
論文 参考訳（メタデータ） (2026-10-07T03:01:51Z) - The Residual Stream's Effective Depth [10.776510686549338]
$Deff$は、トランスフォーマーの階層的残留ストリームを離散時間プロセスとして扱う診断である。
16のデフォルト値のうち15は$F_L$以下である。
OLMo-2の初期に確立され、5Tトークンを介して安定するが、Pythia-1.4Bは異なる減少軌道を辿る。
論文 参考訳（メタデータ） (2026-09-25T10:36:43Z) - Auditing System-1 Models on Biosecurity-Relevant Benchmarks: Calibration, Selective Prediction, and Permutation Instability in a Non-Generative Model [0.0]
System-1"モデルは、自己回帰復号化なしで単一の前方パスで構造化された確率的決定を返す。
精度,キャリブレーション,エラー検出,選択予測,および解答オプションが提示される順序に対する感度を測定する。
回転の平均確率は、WMDP-Cyberの精度を3.8ポイント向上させる。
論文 参考訳（メタデータ） (2026-09-24T18:46:53Z) - Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies [33.432377306905735]
タスクベクトル算術は、モデルを修正するためのクローズドフォームな方法を提供するが、クローズドループロボット制御において、その振る舞いの局所性は未だ不明である。
マルチタスク・ビジョン・ランゲージ・アクション(VLA: Multitask Vision-Language-action)ポリシーから,タスク・ベクターごとのタスク・ベクター・サブトラクションのターゲット・アンド・コントロール・監査を行う。
論文 参考訳（メタデータ） (2026-08-05T10:59:53Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - BiAxisAudit: A Novel Framework to Evaluate LLM Bias Across Prompt Sensitivity and Response-Layer Divergence [22.315546054051143]
大規模言語モデルのバイアス監査は、EU AI Actなどのガバナンスフレームワーク内で運用されている。
このプロトコルでは、各バイアススコアを2つの軸上での信頼性推定とともに報告する。
論文 参考訳（メタデータ） (2026-05-09T16:26:49Z) - Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。
我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
論文 参考訳（メタデータ） (2025-10-02T15:22:28Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Batch-Size Independent Regret Bounds for Combinatorial Semi-Bandits with Probabilistically Triggered Arms or Independent Arms [59.8188496313214]
半帯域 (CMAB) について検討し, 半帯域 (CMAB) におけるバッチサイズ (K$) の依存性の低減に着目した。
まず,確率的に引き起こされるアーム(CMAB-T)を用いたCMABの設定に対して,分散を考慮した信頼区間を持つBCUCB-Tアルゴリズムを提案する。
次に,独立アームを用いた非トリガ型CMABの設定に対して,TPVM条件の非トリガ型を利用したSESCBアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-31T13:09:39Z)
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。