論文の概要: BridgeRouter: Gain-Aware Instance Routing over Cross-Modal Bridge Portfolios

• arxiv url: http://arxiv.org/abs/2610.38152v1
• Date: Wed, 28 Oct 2026 01:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.938177
• Title: BridgeRouter: Gain-Aware Instance Routing over Cross-Modal Bridge Portfolios
• Title（参考訳）: BridgeRouter: クロスモーダルなブリッジポートフォリオをルーティングするゲイン対応インスタンス
• Abstract要約: 軽量表現ブリッジは、他の生体信号のモダリティに基づいて、事前訓練されたタスク適応型EEGファンデーションモデルを実行可能なものにする。 我々は、凍結したクロスモーダル経路のポートフォリオ上のゲインを意識したルータであるBridgeを紹介する。 ISRUCを用いたFOGおよび心電図に基づく睡眠分類において,脳波基礎モデル橋渡し経路を7つ評価した。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lightweight representation bridges make pretrained, task-adapted EEG foundation models executable on other biosignal modalities without retraining their backbones. However, selecting a single bridge pathway globally assigns every instance to the same transfer route and ignores complementary errors across routes. We therefore formulate multi-bridge transfer as an instance-level algorithm-selection problem and introduce BridgeRouter, a gain-aware router over a portfolio of frozen cross-modal pathways. A validation-selected Single Best Solver (SBS) serves as a protected default route. During training, task labels are used to compute the reduction in negative log-likelihood provided by each alternative route relative to the SBS, and a lightweight MLP predicts these route-specific gains from a target-modality representation extracted by a frozen encoder. At inference, BridgeRouter observes only the target modality, requires neither EEG, task labels, nor predictions from all candidate routes, and executes exactly one bridge pathway: the route with the largest predicted gain when that gain exceeds a validation-calibrated threshold, and the SBS otherwise. We evaluate seven EEG foundation-model bridge pathways for EMG-based freezing-of-gait detection on FOG and ECG-based sleep classification on ISRUC. Across five seeds, BridgeRouter achieves $81.38\pm1.11\%$ balanced accuracy on FOG, improving over the BIOT SBS by $11.49$ percentage points, and $62.92\pm2.17\%$ on ISRUC, improving over the CBraMod SBS by $3.83$ points. Per-instance bridge oracles reach $99.96\%$ and $78.61\%$, respectively, revealing substantial remaining portfolio headroom. These results show that anchor-relative gain prediction can convert complementary cross-modal bridge behavior into deployable instance-level routing improvements while retaining single-route inference.
• Abstract（参考訳）: 軽量表現ブリッジは、タスク適応型EEGファンデーションモデルを、バックボーンを再トレーニングすることなく、他の生体信号モダリティ上で実行可能にする。 しかしながら、単一のブリッジパスを選択することで、すべてのインスタンスを同じ転送ルートにグローバルに割り当て、ルート間の補完的なエラーを無視します。 そこで、我々は、インスタンスレベルのアルゴリズム選択問題としてマルチブリッジ転送を定式化し、凍結したクロスモーダル経路のポートフォリオ上でゲインを意識したルータであるBridgeRouterを導入する。 バリデーション選択されたシングルベストソルバー(SBS)は、保護されたデフォルトルートとして機能する。 トレーニング中、SBSに対して各代替経路で提供される負のログ類似度低減をタスクラベルを用いて計算し、凍結エンコーダによって抽出された目標モダリティ表現から、これらの経路固有ゲインを予測する。 推論では、BridgeRouterはターゲットのモダリティのみを観察し、EEG、タスクラベル、および全ての候補ルートからの予測を必要としない。 ISRUCを用いたFOGおよび心電図に基づく睡眠分類において,脳波基礎モデル橋渡し経路を7つ評価した。 5つの種で、BridgeRouterは、FOGで811.38\pm1.11\%、BIOT SBSで11.49ドル、ISRUCで622.92\pm2.17\%、CBraMod SBSで3.83ドルである。 インスタンス橋当たりのオーラクルは99.96 %$と78.61 %$に到達し、ポートフォリオのかなりの残高が明らかになった。 これらの結果から, アンカー相対利得予測は, 相補的なクロスモーダルブリッジの挙動を単一経路の推論を維持しつつ, 展開可能なインスタンスレベルのルーティング改善に変換できることが示唆された。

関連論文リスト

• Handoff Curves: Initial Selection, Later Handoff, and Supervision Targets in Multi-turn LLM Routing [8.947401874648028]
  最初のモデル選択、後続のハンドオフ、トレーニングターゲットは、複数のターンにまたがるLLMタスクの成功とコストに影響を与える。 我々のデータセットには、BFCL、MultiWOZ、$$$-retailの3つのQwenモデルの34,204の完全実行が含まれている。
  論文  参考訳（メタデータ） (2026-10-11T23:45:23Z)
• FlexRouter: Learning Complementary Model Sets for Flexible LLM Routing [71.04470934007537]
  既存のルーティングメソッドはLLMを独立してスコア付けし、上位$kのモデルを選択する。 これはモデル相関を無視し、厳格な計算予算を強制する。 モデリングを明示的にモデル化するルーティングフレームワークであるFlexを提案します。
  論文  参考訳（メタデータ） (2026-09-29T21:44:05Z)
• TRACE-ROUTER: Task-Consistent and Adaptive Online Routing for Agentic AI [8.291830023781403]
  本稿では,タスクレベルのルーティングフレームワークであるTRACEについて述べる。 タスクの遅延フィードバックを活用することで、TRACEはワークロードに適応するルーティングポリシを学ぶ。 精度にマッチしたトレードオフを継続的に改善し、非レイテンシフロンティアポイントを達成します。
  論文  参考訳（メタデータ） (2026-07-24T16:29:06Z)
• Agent-as-a-Router: Agentic Model Routing for Coding Tasks [54.00153674547733]
  Agent-as-a-router (AC)はC-A-Fループとしてルーティングを形式化する(Context->Action->FeedbackContext) ACは、分配タスクに対する最小の累積後悔を達成し、配布外エージェントプログラミングタスクに一般化する。
  論文  参考訳（メタデータ） (2026-06-22T06:37:31Z)
• Meta-Attention: Bayesian Per-Token Routing for Efficient Transformer Inference [0.0]
  本稿では,各トークンを最も適切な注意戦略に動的にルーティングするフレームワークであるMeta-Attentionを提案する。 決定論的または事前自由な学習ルーティングを使用する以前のルーティングアプローチとは異なり、Meta-Controllerは、トークン毎のメカニズム選択を後部推論として扱う。 この設計は、ソフトからハードへのルーティング遷移を制御し、アドホックな負荷分散損失を伴わずにルーティング崩壊を緩和し、より良い計算性能のトレードオフをもたらす、原則化されたルーティング不確実性推定を生成する。
  論文  参考訳（メタデータ） (2026-05-27T12:21:28Z)
• CR^2: Cost-Aware Risk-Controlled Routing for Wireless Device-Edge LLM Inference [52.849509991178884]
  大規模言語モデル(LLM)は集中型クラウドからモバイルエッジ環境に移行する。 軽量オンデバイスモデルとより強力なエッジモデルの間のクエリレベルのルーティングは、このトレードオフをナビゲートするための柔軟なメカニズムを提供する。 既存のルータは、集中クラウド設定とトークンレベルのコストの最適化のために設計されており、無線エッジデプロイメントにおける動的レイテンシとエネルギーオーバーヘッドをキャプチャできない。
  論文  参考訳（メタデータ） (2026-05-12T11:50:15Z)
• When Are Experts Misrouted? Counterfactual Routing Analysis in Mixture-of-Experts Language Models [27.942734943134983]
  Mixture-of-Experts (MoE)言語モデルは、各トークンを専門家の小さなサブセットにルーティングする。 検証された推論軌道において,各標準経路を同一のトークンに対してサンプル化された等価な代替手段と比較し,実効トークンに割り当てる次の確率でスコアする。 標準ルータは信頼性の高いトークンではルートユーティリティと整合性があるが、ハード推論を駆動する脆弱なトークンでは非形式的である。
  論文  参考訳（メタデータ） (2026-05-08T05:26:09Z)
• Learning to Route LLMs from Bandit Feedback: One Policy, Many Trade-offs [69.2486294522259]
  BaRPはBandit Routing-feedback with Preferencesアプローチであり、デプロイと同じ部分フィードバック制限の下でトレーニングされる。 提案手法は,学習中のオンラインフィードバック設定をシミュレートし,新たなプロンプトに適応する。
  論文  参考訳（メタデータ） (2025-10-08T18:24:59Z)

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。