論文の概要: Rate as a Feature, Not a Nuisance: Curriculum FiLM Training for Event-Based Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2610.26933v1
• Date: Sat, 17 Oct 2026 19:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.401249
• Title: Rate as a Feature, Not a Nuisance: Curriculum FiLM Training for Event-Based Graph Neural Networks
• Title（参考訳）: ニュアンスではない特徴としてのレート:イベントベースグラフニューラルネットワークのためのカリキュラムFiLMトレーニング
• Abstract要約: 機能ワイド線形変調により,PointNet++のバックボーンのすべてのステージを変調する記録単位のログレートスカラーを導入する。 N-Caltech101では2段階のカリキュラムが67.2%に達している。 一致容量制御実験により、利得はモデル容量の増加によるものではなく、レート条件によるものであることが示された。
• 参考スコア（独自算出の注目度）: 4.440305753099884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An event camera emits events at a rate given by the scene motion, object texture, illumination, its own contrast thresholds, and other settings. Across the N-Caltech101 dataset, recorded by a single event camera, the event rate varies by roughly 26x. Standard event-based Graph Neural Network GNN pipelines do not make use of the variable event rate. They either normalize each event's timestamp into a fixed window or train the network to be invariant to the event rate. We argue that both choices lose information that could instead be used to improve the performance of a pipeline. Per-recording normalization is non-invertible, incurring about 6pp (percentage points) of natural-rate accuracy loss in our setting. And invariance training trades accuracy for robustness to shifts in the event rate. We instead take a different path and condition on the event rate directly. We add a per-recording log-rate scalar that modulates every stage of a PointNet++ backbone through Feature-wise Linear Modulation (FiLM), initialized to identity, so that training begins at the unmodified baseline. A two-stage curriculum (natural event rates first, then rate-augmented fine-tuning) reaches 67.2% on N-Caltech101 (+6.3pp) and 82.5% on DVS128 Gesture (+14.0pp) with an additional ~0.2M parameters. A matched-capacity control experiment shows that the gain is not from the increase in model capacity but from the rate conditioning. We will make the implementation publicly available upon acceptance of this work.
• Abstract（参考訳）: イベントカメラは、シーンの動き、オブジェクトテクスチャ、照明、独自のコントラスト閾値、その他の設定によって与えられる速度でイベントを出力する。 単一のイベントカメラで記録されたN-Caltech101データセット全体で、イベントレートはおよそ26倍である。 標準イベントベースのグラフニューラルネットワークGNNパイプラインは、可変イベントレートを使用しない。 各イベントのタイムスタンプを固定されたウィンドウに正規化するか、あるいはイベントレートに不変なネットワークをトレーニングする。 どちらの選択肢も、パイプラインのパフォーマンス向上に使用可能な情報を失う、と私たちは主張しています。 記録当たりの正規化は非可逆的であり,本設定では自然度精度損失の約6pp(パーセント)が生じる。 そして、不変トレーニングは、イベントレートの変化に対してロバストネスの正確さを交換します。 代わりに、イベントレートを直接的に異なるパスと条件を取ります。 記録単位のログレートスカラーを追加し、フィーチャーワイド線形変調(FiLM)を通じてPointNet++のバックボーンのすべてのステージを変調し、IDに初期化することにより、修正されていないベースラインでトレーニングを開始する。 N-Caltech101 (+6.3pp)で67.2%、DVS128 Gesture (+14.0pp)で82.5%に達する。 一致容量制御実験により、利得はモデル容量の増加によるものではなく、レート条件によるものであることが示された。 この作業が受理されたら、その実装を公開します。

関連論文リスト

• The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
  3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。 2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。 80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
  論文  参考訳（メタデータ） (2026-08-06T17:57:06Z)
• Pushing the boundaries of event subsampling in event-based video classification using CNNs [13.283434521851998]
  エッジAIアプリケーションでは、特定のタスクに対する最小イベント量を決定することで、イベントレートを削減し、帯域幅、メモリ、処理効率を改善することができる。 畳み込みニューラルネットワーク(CNN)モデルを用いて,イベントサブサンプリングがイベントデータの分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-09-13T16:14:45Z)
• Implicit Event-RGBD Neural SLAM [54.74363487009845]
  神経性SLAMは近年顕著な進歩を遂げている。 既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。 本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
  論文  参考訳（メタデータ） (2023-11-18T08:48:58Z)
• EvDNeRF: Reconstructing Event Data with Dynamic Neural Radiance Fields [80.94515892378053]
  EvDNeRFは、イベントデータを生成し、イベントベースの動的NeRFをトレーニングするためのパイプラインである。 NeRFは幾何学ベースの学習可能なレンダリングを提供するが、イベントの以前の作業は静的なシーンの再構築のみを考慮していた。 各種イベントのバッチサイズをトレーニングすることにより、微細な時間解像度でイベントのテスト時間予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T21:08:41Z)
• Masked Event Modeling: Self-Supervised Pretraining for Event Cameras [41.263606382601886]
  Masked Event Modeling (MEM) はイベントの自己組織化フレームワークである。 MEMは、記録されていないイベントのニューラルネットワークを事前トレーニングする。 本手法は3つのデータセットにまたがって最先端の分類精度に達する。
  論文  参考訳（メタデータ） (2022-12-20T15:49:56Z)
• Event-Triggered Time-Varying Bayesian Optimization [47.30677525394649]
  本稿では,対象関数の変化を検出してデータセットをリセットするまで,最適化問題を静的に扱うイベントトリガーアルゴリズムET-GP-UCBを提案する。 これにより、アルゴリズムは正確な事前知識を必要とせずに、オンラインで時間変化を実現することができる。 時間的変化を正確に知ることなく、適応的リセットに対する後悔境界を導出し、ET-GP-UCBが合成データと実世界のデータの両方で競合するGP-UCBアルゴリズムより優れていることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2022-08-23T07:50:52Z)

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。