論文の概要: Structured-Token Attention for Fine-Grained mmWave Liquid Identification
- arxiv url: http://arxiv.org/abs/2610.27512v1
- Date: Tue, 20 Oct 2026 02:27:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.588223
- Title: Structured-Token Attention for Fine-Grained mmWave Liquid Identification
- Title（参考訳）: 微粒化mm波液体同定のための構造化トークン注意
- Abstract要約: StructAttnモデルは構造化ビューを11のトークンに埋め込んで、3層変換器と組み合わせる。
公共のFG-LiquIDデータに対する実験は30の液体と3,000のサンプルをカバーしている。
ファイナルエポックと5倍の結果はチェックポイント選択された比較を補完し、StructAttnは95.30%の精度を得る。
- 参考スコア（独自算出の注目度）: 11.055645146871441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fine-grained liquid identification requires a classifier to distinguish similar substances from compact millimeter-wave measurements. We investigate structured-token attention, which represents a radar feature tensor through complementary antenna, feature, branch, and global views. The proposed StructAttn model embeds these views into eleven tokens and combines them with a three-layer transformer. Experiments on the public FG-LiquID data cover 30 liquids and 3,000 samples. Over five seeds on the released split, StructAttn achieves 96.70\% mean best-epoch accuracy, matching the original-recipe MMNet baseline and exceeding a scalar-token attention model by 1.50 percentage points. A five-seed probability ensemble reaches 97\%, corresponding to 18 errors among 600 test samples. Final-epoch and five-fold results complement the checkpoint-selected comparison, with StructAttn obtaining 95.30\% out-of-fold accuracy. Token and feature analyses show that structured views are useful for prediction, while residual confusions concentrate in water, soft-drink, and edible-oil classes. These results support structured tokenization as a practical design choice for attention-based liquid recognition.
- Abstract（参考訳）: 微粒な液体の識別には、類似の物質を小型ミリ波測定と区別する分類器が必要である。
本研究では, アンテナ, 特徴, 分岐, グローバルビューを通じて, レーダー特徴テンソルを表現した構造化トーケントアテンションについて検討する。
提案されたStructAttnモデルは、これらのビューを11個のトークンに埋め込んで、3層トランスと組み合わせる。
公共のFG-LiquIDデータに対する実験は30の液体と3,000のサンプルをカバーしている。
放出されたスプリット上の5つの種のうち、StructAttn は96.70 % の平均最強の精度を達成し、元のレシピ MMNet ベースラインと一致し、スカラーの注意モデルよりも1.50 ポイント高い。
5シードの確率アンサンブルは、600のテストサンプルの18エラーに対応する97\%に達する。
ファイナルエポックと5倍の結果はチェックポイント選択された比較を補完し、StructAttnは95.30倍の精度を得る。
トケと特徴分析により、構造的ビューは予測に有用であり、残留的な混乱は水、ソフトリンク、食用油類に集中していることが示された。
これらの結果は、注意に基づく液体認識のための実用的な設計選択として構造化トークン化を支援する。
関連論文リスト
- ChartBmkAgent: Harness-Governed Multi-Agent Construction of Chart QA Benchmarks from Sparse Error-Taxonomy Specifications [40.065183138791184]
自動チャートQA構築は、特定されたギャップを需要に応じて対象とするサンプルにすることで、ベンチマーク開発サイクルを短縮することを目的としている。
本稿では,Sparse error-taxonomy仕様から完全なChart QAサンプルを構築することで,特定能力ギャップを対象とする診断証拠に変換するChartBmkAgentを紹介する。
300の分類学的標本では、MLLMの精度は32.7%から84.3%まで変化しており、異なるカテゴリーのプロファイルがある。
論文 参考訳（メタデータ） (2026-10-06T10:31:28Z) - The Effect of Missingness-Pattern Mismatch on Method Selection for Time-Series Classification: A Controlled Empirical Study [0.0]
ミスマッチ検証は、選択した分類器のテストバランス精度を平均1.14ポイント削減した。
この損失は5%の不足で無視でき、30%で2.46ポイントまで増加した。
ブロックメイク配置の効果は小さく、重要ではなかった。
論文 参考訳（メタデータ） (2026-10-04T16:50:13Z) - Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。
SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。
301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
論文 参考訳（メタデータ） (2026-09-30T10:51:23Z) - Interpretable-by-Design Descriptor Portfolios Match a 2048-Dimensional Foundation Embedding on Low-Data Molecular Assays [0.0]
コンパクトでセマンティックな名前のディスクリプタブロックのポートフォリオが2048次元のCheMeleon埋め込みの精度に達するかどうかを問う。
ラベル付きコンテキストのみを使用して、鮮やかに証明されたブロックをブロックします。
9つのADME/Toxアッセイと50個の評価セルで、ポートフォリオは平均AUCが0.762、CheMeleonが0.764、Mordredが0.756に達する。
論文 参考訳（メタデータ） (2026-09-25T04:13:17Z) - StateSight: Benchmarking Latent Spatial-State Reconstruction in Vision-Language Models [0.5624504968545648]
我々は,立方体-ネット対面推論,閉立方体-towerカウント,隣接する連結成分カウントのベンチマークであるStateSightを紹介する。
各タスクファミリーには300の単一イメージプロンプトがあり、決定論的オラクルラベルと正確なマッチスコアがある。
OpenAI GPT-5.5はAPIモデルの識別子gpt-5.5を使用して、3つのタスクで59.3%、33.3%、28.3%の精度を達成した。
論文 参考訳（メタデータ） (2026-08-15T20:13:12Z) - 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) - Domain-Aware Lightweight Spectral-Grouped Convolutions for Hyperspectral Fish Freshness Classification [0.5097809301149342]
本稿では,グループ畳み込みと奥行き空間経路を用いたスペクトル特徴抽出と空間特徴抽出を分離する軽量アーキテクチャであるSGNetを提案する。
SGNet 97.8%は分類精度を達成し、新たに開発された16日間の冷凍庫に格納されたサーモンフィレットデータセットでテストした場合、絶対誤差(MAE)はわずか4.75万のパラメータで0.64日である。
本研究は, ドメイン認識設計が産業実装の精度, リアルタイム新鮮度予測を支援することを示唆している。
論文 参考訳（メタデータ） (2026-08-12T16:25:19Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。
我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。
GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
論文 参考訳（メタデータ） (2026-06-04T05:43:12Z) - AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。
372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。
これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-10-02T20:52:16Z) - Low-complexity deep learning frameworks for acoustic scene
classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。
提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。
DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文 参考訳（メタデータ） (2022-06-13T11:41:39Z)
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。