論文の概要: Readout and Operating-Point Sensitivity in Event-Stream Candidate Selection
- arxiv url: http://arxiv.org/abs/2610.36743v1
- Date: Tue, 27 Oct 2026 06:59:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.241178
- Title: Readout and Operating-Point Sensitivity in Event-Stream Candidate Selection
- Title（参考訳）: イベントストリーム候補選択における読み出しと動作点感度
- Abstract要約: イベントトリガー記録は、ターゲットキャプチャと偽トリガーの有用な組み合わせが必要である。
520 DailyDVS-200のクリップと47人の参加者による実イベントの蓄積を評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event-triggered recording needs a useful combination of target capture and false triggers, yet representation comparisons can change with readout and threshold calibration. We evaluate real event accumulations from 520 DailyDVS-200 clips and 47 participants using participant-disjoint training, validation, and testing. The original study varies frozen encoder scale, accumulation duration, and temporal view count; a post-review extension adds two supervised-pretrained convolutional encoders, a 61,586-parameter trained CNN with three seeds, ten repeated participant partitions, and calibration sensitivity. At 50 ms/eight views under the primary handshake-or-fall policy, DINO-S CLS captures 101/132 targets with 40/388 false triggers, versus 78/132 and 35/388 for patch mean. DINO-B CLS has lower selected-threshold capture but higher fold-wise low-FPR partial AUC (0.746 versus 0.732). MobileNetV3-Small captures 97/132 with 53/388 false triggers, demonstrating why lightweight baselines and actual operating points matter. Across ten dependent repartitions, mean normalized partial AUC is 0.738 for DINO-B CLS and 0.674 for MobileNet. The original LeJEPA S-to-B capture difference is 8.3 points, but its multiplicity-adjusted interval includes zero. Duration and view-count effects remain policy dependent. We find no established JEPA-specific advantage. The evidence concerns offline action-defined candidate selection on previously used development data; it does not establish personal recording value, continuous false alarms per hour, or eyewear energy.
- Abstract（参考訳）: イベントトリガー記録は、ターゲットキャプチャと偽トリガーの有用な組み合わせを必要とするが、表現比較は読み出しとしきい値のキャリブレーションによって変更できる。
520 DailyDVS-200クリップと47人の参加者による実イベントの蓄積を参加者参加型トレーニング,検証,テストを用いて評価した。
元の研究では、凍結エンコーダのスケール、蓄積期間、時間的ビューカウントが変化し、レビュー後拡張では、2つの教師付き事前訓練された畳み込みエンコーダ、61,586パラメータの訓練されたCNNに3つのシード、10の繰り返し分割、キャリブレーション感度が加えられた。
DINO-S CLSは、ハンドシェイクまたはフォールポリシーの下で50ms/e8ビューで、パッチ平均で78/132と35/388に対して、40/388の偽トリガで101/132ターゲットをキャプチャする。
DINO-B CLSは選択閾値が低いが、折りたたみ式の低FPR部分AUC(0.746対0.732)が高い。
MobileNetV3-Smallは、53/388の誤ったトリガーで97/132をキャプチャし、なぜ軽量のベースラインと実際の運用ポイントが重要なのかを示す。
DINO-B CLSは0.738、MobileNetは0.674である。
元々のLeJEPA S-to-Bの捕獲差は8.3ポイントであるが、多重度調整間隔はゼロである。
期間と視聴数の影響は政策に依存している。
確立されたJEPA固有の利点は見つからない。
証拠は、以前に使用されていた開発データに対するオフラインアクション定義候補の選択に関するものであり、個人記録値、時間当たりの連続的な誤報、あるいはアイウェアエネルギーを定めていない。
関連論文リスト
- ECHO: Efficient Cascade with Homogeneous Operators for Distillation-Guided 100K-Sequence Modeling [35.080926736854266]
ECHO(Efficient Cascade with Homogeneous Operators)は、効率性と詳細な検索のバランスをとるフレームワークである。
ECHOは、オンラインシーケンスブランチFLOPを、代表的なエンドツーエンドモデルと比較して約160倍削減する。
一般的なユーザ入力、コンパクトレコードエンコーディング、キー側のプロジェクション吸収を含む3つのデプロイメント最適化により、メモリ、ストレージ、データ移動オーバーヘッドはさらに削減される。
論文 参考訳（メタデータ） (2026-10-20T17:28:16Z) - CÆNL: Collapse-Based Active Neural Learning with Objective-Aligned Representation Control [2.28438857884398]
アクティブラーニングは、後続のラベルを取得するために使われる表現を変更する。
我々は、この相互作用をCNL(Collapse-Based Active Neural Learning)を通して研究し、獲得、動的崩壊規則化(Dynamic Collapse Regularization、DCR)とその係数ポリシーを分離する。
6シードの分類比較は2つのバックボーンのそれぞれに対して、別個の制御選択と10シードの評価による104ランの試験によって補完される。
論文 参考訳（メタデータ） (2026-10-13T00:12:58Z) - FAER: Auditable Utility-Aligned Trajectory Replay for Language Model Post-Training [21.87319355077669]
リプレイセレクタは、しばしばフォーマットフィードバック、信頼、鮮度、応答長によってキャッシュされた軌跡をランク付けする。
この選択と学習のギャップを形式化し、FAERを監査可能なフルトラック再生フレームワークとして導入する。
論文 参考訳（メタデータ） (2026-09-30T09:41:08Z) - DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。
直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。
メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
論文 参考訳（メタデータ） (2026-09-23T03:06:01Z) - Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。
畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。
その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-21T14:49:04Z) - Forgetful Attention: A Trainable Support-Vector Memory with Certified Selection and Exact Unlearning [0.16921396880325776]
固定ボックスパラメータCの1クラスSfpの支持係数が重みを持つメモリであるSupport Vector Attention(SV-Attention)を導入する。
アクティブセットのパーティションは、リザーブトークンを正確にゼロウェイト、出力ウェイトを与え、インクリメンタルインクリメンタルソルバトークンは、同じCの下で再トレーニングせずに生成した状態を回復する。
また,実文埋め込み上での外科的排除,正確な編集,患者記録の削除,忘れやすい検索メモリも示す。
論文 参考訳（メタデータ） (2026-07-13T23:13:57Z) - Moving Like a Human: Ego-Motion-Normalized Temporal Signatures for Real-Time Aerial Person Tracking on Milliwatt-Class Hardware [1.932555230783329]
追跡はドローン自体で行わなければならない。
EMT-Detは、エゴモーションを推定する5段階のシステムである。
Raspberry Pi Zero 2Wでは、パイプラインは31.85 FPS、AP25は0.462、UAVは0.714である。
論文 参考訳（メタデータ） (2026-07-09T19:30:00Z) - LLM-Driven Neural Network Generation with Same-Family Architecture Guidance: Disentangling Transfer and Adaptation [48.83701310501069]
大規模言語モデル(LLM)はニューラルネットの修正を生成することができるが、制限のない生成はしばしば無効または有害である。
本稿では、ニューラルネットワークデータベースからより強力な同族源モデルを用いて、弱いターゲットモデルを改善するという、より狭い設定について研究する。
我々は,ソース制御,ソース条件付き候補,非LLM hp_copy アブレーションを含むソース誘導型候補生成プロトコルを,同等の評価予算の下で提案する。
論文 参考訳（メタデータ） (2026-07-06T23:59:18Z) - 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) - Predicting Upcoming Stuttering Events from Three-Second Audio: Stratified Evaluation Reveals Severity-Selective Precursors, and the Model Deploys Fully On-Device [0.0]
我々は,SEP-28k(Apple,20,131本の3秒クリップ)でCNNをトレーニングし,次の連続クリップに障害があるかどうかを予測する。
集合目的は、重大事象が韻律前駆体を持つため、重大選択予測器に収束する。
相互人口移動: 微調整無しで、同じチェックポイントが1024名の小児Who-Stutter発話に適用され、AUC 0.674 の検出と 0.655 の予測が達成される。
論文 参考訳（メタデータ） (2026-04-30T00:30:28Z)
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。