論文の概要: Toward Fast Human Reaction Modeling from High-Frequency Digital Interaction Data

• arxiv url: http://arxiv.org/abs/2610.35079v1
• Date: Mon, 26 Oct 2026 09:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.810683
• Title: Toward Fast Human Reaction Modeling from High-Frequency Digital Interaction Data
• Title（参考訳）: 高周波デジタルインタラクションデータを用いた高速人反応モデリングに向けて
• Abstract要約: エゴノウンド(Ego-Knowledge)は、各プレイヤーの可視状態の漏洩再現である。 粗い戦闘または飛行ラベルは、可視性および損傷トリガー付きイベントから導き出す。 トリガーで利用可能な情報のみを使用して、2つのテレメトリネイティブモデルを訓練する。
• 参考スコア（独自算出の注目度）: 0.04194454151396507
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We investigate whether limbic-like signatures of rapid, salience-driven behavior can be identified in high-resolution Counter-Strike 2 telemetry. This exploratory study introduces Ego-Knowledge, a leak-reduced reconstruction of each player's plausible perceptual state, supported by a millisecond-precision visibility engine and a reaction-centered extraction pipeline. Using a neuroscience-motivated 60--120 ms window, we derive coarse fight-or-flight labels from visibility- and damage-triggered events, with back-damage cases enabling constrained reaction-time analysis and manual label checks. We train two telemetry-native models using only information available by the trigger: EMBER (gradient boosting) and ORBIT (a custom transformer). On the full validation set, EMBER achieves 73.5% accuracy and ORBIT 71.2%, versus a 51.5% majority-class baseline, and both generalize to held-out players. The strongest LLM baseline achieves 62.7% on 1,000 validation cases; on these same cases, EMBER (73.6%) and ORBIT (70.9%) perform better (McNemar p=1.3e-9 and 1.5e-6, respectively), with orders-of-magnitude lower inference time and cost, though the comparison is not compute-matched. Including a short post-trigger window changes forecasting into early response recognition, raising accuracy monotonically to 85.15%. We propose this curve as a candidate probe of the transition from rapid to deliberative control, but roughly uniform per-tick gains do not establish that interpretation. The neuroscience framing is hypothesis-generating, not mechanistic: physiological ground truth, suitable control distributions, and reverse-inference limitations remain open. We outline extensions to auditory reconstruction, larger datasets, and telemetry-native foundation models.
• Abstract（参考訳）: 本研究では,高分解能カウンタ・ストライク2テレメトリにおいて,迅速な塩分駆動行動の辺縁的なシグネチャを同定できるかどうかを検討する。 この探索的な研究は、ミリ秒精度の可視化エンジンと反応中心の抽出パイプラインによって支えられた、各プレイヤーの可視知覚状態の漏れ再現であるEgo-Knowledgeを紹介している。 神経科学をモチベーションとした60-120ms窓を用いて、視認性および損傷トリガーされた事象から粗い戦闘または飛行ラベルを導出し、後方損傷例は制限された反応時間分析と手動のラベルチェックを可能にした。 我々は、EMBER(gradient boosting)とORBIT(Customal transformer)という2つのテレメトリネイティブモデルをトリガーで利用可能な情報のみを使用して訓練する。 完全な検証セットでは、EMBERは73.5%の精度とORBIT 71.2%の精度を、51.5%のマジョリティクラスベースラインに対して達成し、どちらもホールドアウトプレイヤーに一般化する。 EMBER (73.6%) と ORBIT (70.9%) は、それぞれMcNemar p=1.3e-9 と 1.5e-6) より優れた性能を示し、命令の精度は低いが、比較は計算に適合していない。 ショートトトリガー後ウィンドウを含むと、早期応答認識に予測が変更され、単調に85.15%まで精度が上昇する。 我々は,この曲線を急速から熟考的制御への移行の候補として提案するが,大まかに均一な一点当たりの利得は,その解釈を立証しない。 神経科学のフレーミングは仮説生成であり、機械的ではない:生理的基礎の真実、適切な制御分布、逆推論の制限は未解決のままである。 聴覚再建、より大きなデータセット、テレメトリネイティブ基盤モデルの拡張について概説する。

関連論文リスト

• Toward System One Clinical Intelligence: Parameter-Efficient Fine-Tuning and Counterfactual Explainability of Decision Foundation Models [0.0]
  決定基礎モデルは、自由形式のテキスト生成のない候補クラスに直接表現をマッピングすることで代替を提供する。 我々は,Qwen3.5のバックボーン上に構築された9ビリオンパラメータ決定モデルであるClef-Flashを,Symphom2ベンチマークで24クラスの疾患分類に適用した。 4ビットの量子化低ランク適応(QLoRA)と差分学習率、960のトレーニングと240のテストケースの階層分割を用いて、95.42%のモデルは診断精度を達成し、マクロF1スコアは0.9551である。
  論文  参考訳（メタデータ） (2026-10-10T16:13:49Z)
• CASCADE: An Agentic Regulatory Network Framework for Patient-Data-Validated Downstream Perturbation Prediction [0.0]
  我々は、実際のTCGA患者の腫瘍データに対するノックダウンの逆転のプロキシとして、焦点遺伝子コピーナンバーアンプリフィケーション(cuscus-gene copy-number amplification)を用いる。 MYCの場合、CASCADEの予測されたノックダウンターゲットは、実際のvs非増幅腫瘍の発現と強い一致を示した。 その精度は、MYCまたはE2F駆動生物学の既存の公的な知識を超えないことが示されている。
  論文  参考訳（メタデータ） (2026-08-05T19:30:44Z)
• Psych-ECA: A Reproducible Semi-Synthetic Benchmark for Synthetic Control Arms in Longitudinal Psychiatry [0.0]
  外部および合成制御アーム(ECA)は精神医学薬開発に参入している。 サイコECAは、うつ病、不安、精神病に対する縦断的症状の軌跡を再現可能な完全に再現可能な生成物である。 本研究では, キャリーフォワード, プールド実世界の平均値, 最寄りのマッチング, 線形混合モデル, 勾配上昇, およびScribe trajectory-bridge法にまたがる8つの推定器をベンチマークした。
  論文  参考訳（メタデータ） (2026-07-07T16:04:16Z)
• Onnes: A Physics-Grounded Multi-Agent LLM Simulator for Cryogenic Fault Diagnosis in Quantum Computing Infrastructure [0.0]
  希釈冷凍機は超伝導量子コンピュータのインフラである。 希釈冷凍機の物理地上デジタル双対シミュレータであるOnnesについて紹介する。
  論文  参考訳（メタデータ） (2026-07-07T03:57:21Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)
• Stop Unnecessary Reflection: Training LRMs for Efficient Reasoning with Adaptive Reflection and Length Coordinated Penalty [42.57318973226598]
  ARLCPは推論効率と解の精度のバランスをとるために設計された強化学習フレームワークである。 我々は,DeepSeek-R1-Distill-Qwen-1.5BモデルとDeepSeek-R1-Distill-Qwen-7Bモデルを用いて,5つの数学的推論ベンチマークの評価を行った。
  論文  参考訳（メタデータ） (2026-02-12T16:04:00Z)
• Outcome Accuracy is Not Enough: Aligning the Reasoning Process of Reward Models [108.26461635308796]
  Rationale Consistencyは、モデルの推論プロセスと人間の判断のアライメントを定量化する、きめ細かい計量である。 我々のフロンティアモデルの評価では,最先端モデル間で合理的な一貫性が効果的に識別できることが示されている。 我々は、GenRMトレーニングの合理性一貫性と結果精度を組み合わせたハイブリッド信号を導入する。
  論文  参考訳（メタデータ） (2026-02-04T15:24:52Z)
• Predictive Coding and Information Bottleneck for Hallucination Detection in Large Language Models [0.8552050317027305]
  大規模言語モデル(LLM)における幻覚は、高レベルのデプロイメントにとって重要な障壁である。 ニューロサイエンスにインスパイアされた信号設計と教師付き機械学習を組み合わせたハイブリッド検出フレームワークである[Model Name]を紹介する。
  論文  参考訳（メタデータ） (2026-01-22T05:00:21Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)

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。