論文の概要: Learning Without Clocks: Partition-Invariant Neural Network

• arxiv url: http://arxiv.org/abs/2610.37823v1
• Date: Tue, 27 Oct 2026 18:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.313897
• Title: Learning Without Clocks: Partition-Invariant Neural Network
• Title（参考訳）: クロックのない学習:分割不変ニューラルネットワーク
• Abstract要約: イベントカメラ、スパイクコチェリー、その他のセンサーは非同期イベントを出力する。 ほとんどの学習システムはまずそれらをフレームやパケットに結合するので、出力はストリームのスライス方法に依存する。 我々は、(i) 同時イベントの処理順序と、(ii) 同時イベントの処理順序と、(ii) タイムスタンプで、さらにアウトプットが独立している理由を尋ねる。
• 参考スコア（独自算出の注目度）: 4.1434874926765115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event cameras, spiking cochleas and similar sensors emit asynchronous events, yet most learning systems first bin them into frames or packets, so the output depends on how the stream was sliced. Networks whose state is updated exactly at every event and evolves in closed form between events are invariant to this slicing. We ask what more makes the output (i) independent of the processing order of simultaneous events and (ii) continuous in the time stamps, even when two events cross in time, while (iii) staying sensitive to temporal order. For arbitrary nonlinear event models we prove that (i) and (ii) are each equivalent to pairwise commutation of the event updates, and that once updates commute, all order dependence comes from their non-commutation with the inter-event dynamics and vanishes linearly in the time lag. This identifies a class of time-mediated non-commutative (TM) models and yields a resolution-robustness bound for any model. We construct the minimal TM layer, a learnable, provably Lipschitz generalization of the Hassenstein-Reichardt correlator; prove that no single additive layer can uniformly represent ordered pair interactions, whereas a three-dimensional TM state can; show that each TM layer adds two levels of temporal nesting versus one for additive layers; and give a single-layer higher-order construction (TM-k) and a stacking rule preserving all three properties. We instantiate these results as the Clock-Free Event (CFE) layer, linear in the number of events, give a topology-free variant for temporal point processes with closed-form likelihoods, and specify a preregistered clock-robustness protocol with a physical-time threat model for spike-retiming attacks. In preliminary development-set experiments, the TM state beats an otherwise identical additive state by 3.5-9.1 points on DVS128 Gesture and by 24.5 and 30.6 points on SHD and Speech Commands.
• Abstract（参考訳）: イベントカメラやスパイクコチレなどのセンサーは非同期のイベントを発生させるが、ほとんどの学習システムはまずそれらをフレームやパケットにまとめる。 状態がすべてのイベントで正確に更新され、イベント間のクローズドな形式で進化するネットワークは、このスライシングに不変である。 アウトプットをさらに高めるものは何か? 一 同時イベントの処理順序及び処理順序によらないこと (二)タイムスタンプで連続する一方、2つのイベントが時間内に交わる場合でも 三 時間的秩序に敏感であること。 任意の非線形事象モデルに対して、我々はそれを証明する。 (i)および i) は、イベント更新のペアワイズ通勤と等価であり、一度更新されると、全ての順序依存は、イベント間ダイナミクスとの非交換から生じ、時間ラグで線形に消滅する。 これは時間に依存しない非可換(TM)モデルのクラスを特定し、任意のモデルに対して分解能-可逆性を与える。 最小のTM層, 学習可能かつ証明可能なハッセンシュタイン・ライクハルト相関器のリプシッツ一般化, 単一付加層が順序対の相互作用を均一に表現できないことの証明, 3次元TM状態の証明; 各TM層が2段階の時間ネストと1段階の加法層を付加することの証明; 単層高次構造(TM-k)と3つの特性を全て保存する積み重ね規則を与える。 我々は、これらの結果をクロックフリーイベント(CFE)層としてインスタンス化し、イベント数を線形にし、クローズドフォームの確率を持つ時間点プロセスのトポロジフリーな変種を与え、スパイク・リモーティング・アタックのための物理時間脅威モデルを備えた事前登録されたクロック・ロバストネスプロトコルを指定する。 予備的な開発セットの実験では、TM状態はDVS128ジェスチャで3.5-9.1点、SHDと音声コマンドで24.5と30.6点の他の同じ添加状態を破っている。

関連論文リスト

• SurF: A Generative Model for Multivariate Irregular Time Series Forecasting [9.605729240308543]
  本稿では,イベントシーケンスと単位レート指数雑音を学習する生成モデルであるSurFを提案する。 実世界の6つのベンチマークで、SurFは地震、リツイート、タオバオに関する最高のRMSEを達成している。 厳格なLeft-outプロトコルの下では、SurFは5/6データセット上の古典的およびニューラル自動回帰ベースラインをすべて破る。
  論文  参考訳（メタデータ） (2026-05-13T19:46:48Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Rethinking Event-Based Object Dtection through Representation-Level Temporal Aggregation and Model-Level Hypergraph Reasoning [65.08890312027314]
  イベントカメラはマイクロ秒レベルの時間分解能、低レイテンシ、高ダイナミックレンジを提供する。 Event Dual Temporal-Relational Aggregation Detector (Ev-DTAD)は、表現レベルの時間エンコーディングとモデルレベルの時間-ハイパーグラフ推論を統合する。 Ev-DTADは、コンパクトな時間的表現と時間的ハイパーグラフの特徴的推論の相補性を検証し、競争精度と効率のトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-05-09T09:20:34Z)
• Bridging Discrete Marks and Continuous Dynamics: Dual-Path Cross-Interaction for Marked Temporal Point Processes [13.290746265058644]
  NEXTPPは,イベント・グラニュラー・ニューラル・エボリューションを通じて離散的かつ連続的な表現を統一する,デュアルチャネル・フレームワークである。 NextPPは、自己アテンション機構を介して離散イベントマークをエンコードし、同時に潜時連続状態を進化させる。 融合表現はニューラルホークス過程の条件強度関数を駆動し、イテレーティブな薄型サンプリング器は将来の事象を生成する。
  論文  参考訳（メタデータ） (2026-03-12T02:39:47Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• PASS: Path-selective State Space Model for Event-based Recognition [12.651829415097758]
  イベントカメラは、高時間分解能などの利点を持つバイオインスパイアされたセンサーである。 当社のPASSフレームワークは,高次イベントモデリングに優れた能力を示す。 私たちの重要な洞察は、状態空間モデルを通じて適応的に符号化されたイベント機能を学ぶことです。
  論文  参考訳（メタデータ） (2024-09-25T14:08:37Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)

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。