論文の概要: Consistency Is Not Understanding: Orbit Audits for Neural Field Weight Readers

• arxiv url: http://arxiv.org/abs/2611.05798v1
• Date: Wed, 04 Nov 2026 01:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.914139
• Title: Consistency Is Not Understanding: Orbit Audits for Neural Field Weight Readers
• Title（参考訳）: 一貫性は理解できない:Orbit Audits for Neural Field Weight Readers
• Abstract要約: この研究は、480個の独立した形状体と1000NIST M体を含み、原点によって変換されたコピーがグループ化されている。 形状認識では、統計読影器はShapeRawStats%からShapeJointStats%に変換され、正規化された集合読影器はShapeNormSet%を一定の予測で保持する。 1,920のセッションからなる4つの設定の推論実験は、生成した回答でFrontRawRange%の生の精度を得る一方、新しい同一の生のプロンプトはFrontRawRange%の原点に異を唱える。
• 参考スコア（独自算出の注目度）: 3.8951027719764415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognizing visual content from neural-network weights requires separating functional information from arbitrary parameter coordinates. We audit this separation with hidden-neuron permutations and positive ReLU rescalings that preserve the represented function. The study contains 480 independently fitted shape fields and 1,000 MNIST fields, with transformed copies grouped by origin. On shape recognition, a statistics reader falls from \ShapeRawStats\% to \ShapeJointStats\% accuracy under joint transformations; a normalized set reader retains \ShapeNormSet\% with unchanged predictions. Four small frozen language models obtain \LMRange\% raw accuracy with next-token scoring. A separate four-configuration reasoning experiment with 1,920 scored sessions obtains \FrontRawRange\% raw accuracy with generated answers, while fresh identical raw prompts disagree on \FrontRawRepeatRange\% of origins. Canonicalization makes equivalent prompts identical, but this neither establishes recognition nor guarantees identical generated responses. Joint correctness/agreement metrics, semantic-cue controls, fresh repeats, and exact-rational rounding bounds separate these failure modes. The result is an inspectable evaluation protocol for visual weight readers, with claims restricted to the tested fields, prompts, and execution configurations.
• Abstract（参考訳）: ニューラルネットワークの重みから視覚的内容を認識するには、任意のパラメータ座標から機能情報を分離する必要がある。 この分離を隠蔽ニューロンの置換と表現関数を保存する正のReLU再スケーリングを用いて評価する。 この研究は、480個の独立した形状のフィールドと1,000個のMNISTフィールドを含み、原点によって変換されたコピーがグループ化されている。 形状認識では、統計読影器は、ジョイント変換の精度で \ShapeRawStats\% から \ShapeJointStats\% に落ちる。 4つの小さな凍結した言語モデルが次のスコアで生の精度を得る。 1,920のセッションからなる4つの設定の推論実験では、生成した回答で生の精度が \FrontRawRange\% を得る一方、新しい同一の生のプロンプトは起源の \FrontRawRepeatRange\% に異同する。 正準化は等価なプロンプトを同一にするが、これは認識を確立したり、同一の応答を保証しない。 共同修正/アグリメントメトリクス、セマンティックキューコントロール、新しいリピート、正確な合理的なラウンドリングバウンダリは、これらの障害モードを分離する。 その結果、視覚的ウェイトリーダーのための検査可能な評価プロトコルとなり、クレームはテストフィールド、プロンプト、実行設定に制限される。

関連論文リスト

• Timbre: Reliability-aware harmonic consensus for label-free multimodal test-time rexinforcement learning [57.985367205599324]
  メソッドはマルチモーダルテスト時強化学習のための信頼性を考慮した調和コンセンサスフレームワークである。 メソッドは、適応インスタンスのセットとホールドアウトインスタンスの18のセットのセットで、TTRVを16のベンチマークで上回ります。 これらの結果は、さらなる更新なしにターゲットタスク適応と未確認インスタンスへの転送を改善した。
  論文  参考訳（メタデータ） (2026-10-29T06:15:35Z)
• Adaptive Record Consistency in a Schulman-Type Model [0.0]
  古典的なフィードバックによって実験が接続された場合, 逆因果モデルが観測可能な記録を保存するかどうかを適応測定により検証する。 有限幅, コプラナー型, 正ラップコーシー伝搬重みを持つソースに対して, 厳密かつ定量的な組成制約を定めている。
  論文  参考訳（メタデータ） (2026-09-14T06:35:14Z)
• Visual Anchoring in Diffusion: Multimodal Zero-Shot Skeleton Action Recognition [4.970910262474302]
  Zero-shot Skeleton Action Recognition (ZSAR) は、見えない動作が類似した骨格関節ダイナミクスを共有するが、オブジェクトやシーンコンテキストが異なる場合、あいまいなままである。 既存のマルチモーダルメソッドは通常、独立したスケルトンとRGBスコアリングブランチを保持し、出力を融合する。 骨格データ再構成時に安定した視覚的アンカーとして機能する非拡散RGB条件トークンを用いたテキスト条件記述型変換器を提案する。
  論文  参考訳（メタデータ） (2026-08-05T09:28:00Z)
• Reading Between the Dots: Decoding Hidden Computation across Filler Tokens [7.203846680259872]
  LLMはドットや数列のようなコンテンツフリーのフィラートークンに対して多段階の推論を実行でき、目に見えるチェーン・オブ・シークレット(CoT)を使わずに正しい回答を生成することができる。 これは行動監視の限界ケースであり、表面トークンは基礎となる推論に関する情報を一切持っていない。 隠れ状態のみを入力として取り出し、80～95%の精度で中間値を復元する教師なし復号パイプラインを導入する。
  論文  参考訳（メタデータ） (2026-07-03T17:18:34Z)
• SpatialBench-UC: Uncertainty-Aware Evaluation of Spatial Prompt Following in Text-to-Image Generation [0.0]
  SpaceBench-UCは、ペアの空間関係を再現可能な小さなベンチマークである。 ベンチマークパッケージ、バージョン付きプロンプト、ピン付き構成、サンプルごとのチェッカー出力、レポートテーブルをリリースします。 安定拡散1.5, SD 1.5 BoxDiff, SD 1.4 GLIGENの3つのベースラインについて検討した。
  論文  参考訳（メタデータ） (2026-01-19T23:37:10Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Evaluating Factual Consistency of Texts with Semantic Role Labeling [3.1776833268555134]
  本稿では,テキスト要約を念頭に設計した参照不要評価指標SRLScoreを紹介する。 最終事実度スコアは、調整可能なスコアリング機構により算出される。 英語の要約データセットにおける人間の判断との相関は、SRLScoreが最先端の手法と競合していることを示している。
  論文  参考訳（メタデータ） (2023-05-22T17:59:42Z)
• End-to-End Page-Level Assessment of Handwritten Text Recognition [69.55992406968495]
  HTRシステムは、文書のエンドツーエンドのページレベルの書き起こしに直面している。 標準メトリクスは、現れる可能性のある不整合を考慮していない。 本稿では、転写精度とROの良さを別々に検討する2つの評価法を提案する。
  論文  参考訳（メタデータ） (2023-01-14T15:43:07Z)
• Cross-domain Speech Recognition with Unsupervised Character-level Distribution Matching [60.8427677151492]
  2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。 Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
  論文  参考訳（メタデータ） (2021-04-15T14:36:54Z)

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。