論文の概要: When Should a Low-Light Pipeline Generate? Auditable Risk Control for Selective Generative Enhancement

• arxiv url: http://arxiv.org/abs/2610.21335v1
• Date: Thu, 15 Oct 2026 06:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.216515
• Title: When Should a Low-Light Pipeline Generate? Auditable Risk Control for Selective Generative Enhancement
• Title（参考訳）: 低光路生成はいつ行うべきか?選択的生成促進のための可聴性リスク制御
• Abstract要約: VetoNetは認定vetoを中心とした監査可能な地域ルーティングフレームワークである。 本稿では,VetoNetが利用可能な証拠の強度と信頼性にルーティング動作を適用することを示す。
• 参考スコア（独自算出の注目度）: 3.7102742844374923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative low-light enhancers recover plausible texture but may hallucinate structure; restoration networks preserve structure but can leave regions under-enhanced, and neither advantage is spatially uniform. Therefore, we formulate selective generative enhancement as a decision problem: determine where overriding a frozen base expert is beneficial and refuse to switch when the evidence is insufficient. We propose VetoNet, an auditable regional routing framework centered on a certified veto. It first measures the complementary strengths and routing direction of a frozen restoration generative pair, then predicts the utility of regional overrides from deployment-available signals alone and admits an override only when a distribution-free harm-budget certificate says the perceptual (LPIPS) risk budget allows it. Experiments across multiple expert pairs and domains show that VetoNet adapts its routing behavior to the strength and reliability of the available evidence. When expert complementarity is sufficiently predictable, it achieves statistically significant certified gains; when the relative strengths of the experts change, it correspondingly reverses the routing direction; and when routing evidence is weak or affected by cross-domain shift, it conservatively vetoes switching.
• Abstract（参考訳）: 再生可能な低照度エンハンサーは、可塑性テクスチャを回復するが、構造を幻覚させる可能性がある。 そこで我々は, 凍結した基礎専門家のオーバーライドが有益かを判断し, 証拠が不十分な場合の切り替えを拒否する決定問題として, 選択的生成促進を定式化する。 本稿では,認定vetoを中心とした監査可能な地域ルーティングフレームワークであるVetoNetを提案する。 凍結した復元生成ペアの相補的強度と経路方向をまず測定し、展開可能な信号のみから局所的なオーバーライドの有用性を予測する。 複数の専門家ペアとドメインにわたる実験は、VetoNetが利用可能なエビデンスの強度と信頼性にルーティング動作を適用することを示している。 専門家の相対的な強度が変化すると、ルーティング方向が逆転し、ルーティングエビデンスが弱かったり、クロスドメインシフトの影響を受ければ、変更を保守的に拒否する。

関連論文リスト

• ResLRP: The Role of Residual Cancellation in Attribution Instability in Vision Transformers [58.411900827911346]
  欠落する成分は,残余接続の治療であることを示す。 ResLRP(Residual-Aware Layer-wise Relevance Propagation)を導入する。 ResLRP は LRP の単純な拡張であり、その伝搬規則は残枝のキャンセルを明示的に考慮している。
  論文  参考訳（メタデータ） (2026-09-15T13:17:30Z)
• Revelation Control [0.0]
  啓示制御(Revelation Control)は、意図された区別が連続的な決定を変更できるため、内部でのみ隠された状態を明らかにする価格設定された介入を選択する問題である。 我々はこの理論を学習システムに展開し、現在宣言されている情報に準ずる状態が将来の訓練に異なる反応をし、異なる行動を好むことができるようにした。
  論文  参考訳（メタデータ） (2026-08-24T22:07:57Z)
• Uncertainty Is Not Enough: Value-of-Information Routing for Mixtures of LoRA Experts [0.0]
  最近の動的ルータは、ルータや予測が不確実である場合に、より多くの専門家を活性化する。 ルーティングを認証情報割当として定式化する。 我々は,証明の有効性,認定ゲインの減少による最適グリーディーアロケーション,および値推定誤差による後悔のアロケーションを同時に証明する。
  論文  参考訳（メタデータ） (2026-08-03T17:24:27Z)
• Is Domain Adaptation Always Helpful? A Frozen-Backbone Study of Cross-Domain Sentiment Transfer [9.389197755500986]
  本研究は,凍結埋没骨の制御されたファミリーを評価するための予備的ケーススタディである。 我々は、DANN(Domain-Adrial Neural Networks)、MMD(Maximum Discrepancy)、SCL(Supervised Contrastive Learning)を用いて、消費者レビューに軽量なアダプタを訓練する。 財務的な部分集合において、明示的なドメイン適応は、小さな汎用的なバックボーンの実質的なパフォーマンスを回復しているように見える。
  論文  参考訳（メタデータ） (2026-07-07T07:40:00Z)
• EntroRouter: Learning Efficient Model Routing via Entropy Regulation [45.88530258803968]
  エントロピー制御を主目的とする単一ラウンドルーティングフレームワークを提案する。 我々はEntroが最強の専門家の精度の98.3%を維持し、計算コストを48.25%削減していることを示した。
  論文  参考訳（メタデータ） (2026-06-28T14:39:06Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• When In-Distribution Gains Fail: Evaluating Weak-to-Strong Reward Models under Preference Shift [72.0686608132772]
  ゼロショット分布シフト下でのW2S選好学習について検討した。 弱い選好ラベルで訓練された強い学生は、選好データセットを移動できなくとも、流通に成功していることがわかった。 本稿では、事前訓練された強モデルの表現空間からの過剰なドリフトを制約する単純で効果的な正規化器であるRepresentation Anchoring(Anchor)を提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:30:49Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Belief Graphs with Reasoning Zones: Structure, Dynamics, and Epistemic Activation [1.7244210453129227]
  信念は、エッジがサポートと矛盾を符号化する有向、符号付き、重み付きグラフのノードである。 信頼は、前述と構造認識の影響を混合する収縮伝播プロセスによって得られる。 提案手法は, 人工署名グラフ上に, 植込みゾーン, レポートゾーン回復, 衝撃下での安定性, 実行時の安定性に関する実証的プロトコルを概説する。
  論文  参考訳（メタデータ） (2025-10-11T06:02:00Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)

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。