論文の概要: TReC: Evaluating Move-Induced State Changes in Instruction-Conditioned Go
- arxiv url: http://arxiv.org/abs/2611.17781v1
- Date: Fri, 13 Nov 2026 05:48:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.312738
- Title: TReC: Evaluating Move-Induced State Changes in Instruction-Conditioned Go
- Title(参考訳): TReC: 指示条件付きGoにおけるモブ誘起状態変化の評価
- Abstract要約: Goモデルが専門家と異なる動きを予測した場合、座標距離は、その予測が基準からどのくらい離れているかを測定する。
遷移整合表現(Transition Consistency Representation, TReC)を導入し, 2つの動作がボード状態の埋め込みをどのように変化させるかを比較する。
- 参考スコア(独自算出の注目度): 4.677227803845404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When a Go model predicts a move different from the expert's, coordinate distance measures how far the prediction lands from the reference. We introduce Transition Representation Consistency (TReC) to compare how the two moves change a board-state embedding. Both moves are executed from the same position under the game rules, and TReC is the cosine similarity between the two resulting representation changes. In experiments with a frozen KataGo network on 680 mid-to-late-game positions from five games, the gap between the highest and lowest candidate per position has a median of 0.01 to 0.08 for the direct successor-state cosine and 0.88 to 1.33 for TReC, depending on the evaluator layer. TReC follows coordinate distance only weakly: the rank correlation between a candidate's distance to the reference and its TReC, computed within each position, has a median of -0.19 over these positions.
- Abstract(参考訳): Goモデルが専門家と異なる動きを予測した場合、座標距離は、その予測が基準からどのくらい離れているかを測定する。
遷移表現整合性(TReC)を導入し,2つの動作がボード状態の埋め込みをどのように変化させるかを比較する。
両方の動作はゲームルールの下で同じ位置から実行され、TReCは2つの結果の表現変更の余分な類似性である。
5つのゲームから680の中間から後期のポジションで凍結されたKataGoネットワークを用いた実験では、位置当たりの最高候補と最低候補のギャップは、直接後継状態のコサインでは0.01から0.08、評価層によっては0.88から1.33である。
TReCは座標距離にしか従わない: 基準に対する候補の距離とそのTReCの間のランク相関は、それぞれの位置で計算され、これらの位置に対して中央値が0.19である。
関連論文リスト
- Consensus Capture in Reference-Based UAV Video Stabilization: A Benchmark on Dynamic Urban Scenes [3.2099113524828513]
基準フレーム安定化は、ホバリングドロンの動画のすべてのフレームを1つの基準フレームに登録する。
2段階のベンチマークでは、コンセンサスキャプチャと、それを防ぐためのオブジェクトマスキングが測定されている。
静的シーンでは、AkaZE、RootSIFT、SIFT、BRISKのリードをチューニングし、マーカ閾値を調整すると、平均平均精度(mAA)が0.0062以上上昇し、マスキングコストは0.005未満である。
論文 参考訳(メタデータ) (2026-11-12T17:55:06Z) - Déjà Vu: Cycle-Consistent Re-ranking for Semantic Correspondence [63.27415474642975]
emphDéj Vuは意味対応のためのテスト時間復号モジュールである。
トップランク候補のうち、正しい対応が上位1ドル以上のマッチングよりもはるかに頻繁に現れることを示す。
論文 参考訳(メタデータ) (2026-10-30T19:54:56Z) - How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence Estimation [73.2163413577971]
GUIエージェントは、クリック座標をDigital-tokenシーケンスとして予測するが、標準テキスト-LLM信頼推定手法は、間違ったクリックから正しいクリックをランク付けする。
境界ボックスの正しさは、しばしば下位の桁よりも上位の桁の方が重要である。
これをPACE(Place-Aware Coordinate Entropy)と呼ぶ。
ScreenSpot-ProとScreenSpot-v2の固定スケールエージェント全体で、PACEはAUROCとすべてのプライマリ比較において選択的な精度で勝利する。
論文 参考訳(メタデータ) (2026-09-21T08:42:08Z) - Exact Finite Attention Responses From RoPE Derivatives [0.0]
我々は、注意介入のための正確なローカル応答を導き、キャッシュされたベースラインと1つの後方パスから候補編集を採点できる。
その結果、92,160回の位置編集で95.36-96.52%の符号精度が得られた。
論文 参考訳(メタデータ) (2026-09-12T20:15:37Z) - WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。
アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。
凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
論文 参考訳(メタデータ) (2026-08-10T11:22:53Z) - PACE: Polar Axis-Conditioned Estimation for PairUAV Relative Localization [0.0]
PairUAV 相対ローカライゼーションは2つのUAV画像を極航法コマンドにマップする。
ヘッダとレンジは同じペアのポーズコンテキストを共有し、それらを均質な座標として扱い、両方の出力に同じデコーダエビデンスと最適化状態を使用するように強制する。
本稿では,共有されたReloc3rスタイルのペア表現を保持しながら,軸特異的な読み出しインタフェースを割り当てる手法であるPolar Axis-Conditioned Estimationを導入する。
論文 参考訳(メタデータ) (2026-07-19T14:20:13Z) - Agent Step Value: Auditing Evaluator-Channel Reversals in Black-Box Agent Traces [2.4293637634506404]
評価器由来のステップ報酬がスコアリングチャネル間でプールされたり比較されたりした場合、それらのサインは輸送可能なものとして扱われる。
エージェントステップ値(ASV)をチャネルインデクシングされたターゲットマージンゲインとして定義し、チャネル間相互作用の欠如を識別する。
論文 参考訳(メタデータ) (2026-07-05T17:27:56Z) - Kuramoto Attention: Synchronizing Self-Attention on the Torus [0.0]
隠れた座標が角である自己注意層である倉本注意を導入する。
層は、ゲートコサイン類似性によりトークンをスコアし、前のフェーズ状態に参画し、注目重み付き円平均の接点成分によって各トークンを更新する。
enwiki8文字レベルの言語モデリングでは、レイヤは関数型言語モデルとして訓練される。
論文 参考訳(メタデータ) (2026-06-10T02:24:04Z) - Do Image-Text Metrics Respect Semantic Invariances? [32.397351493793416]
3軸の摂動を意味論的に保存する5つの人気評価器に不変なプローブを提案する。
連続した非意味的感性を見いだし, 空間的編集や簡単なフレーズ変化を平均で$approx$6--9%シフトする。
小さな人間の研究もこの発見を支持し、アノテータがペアを概して同じくらい正しいと判断していることを確認し、これらの変化は意味的変化よりもメートル法的な振る舞いを反映している。
論文 参考訳(メタデータ) (2026-05-23T18:53:51Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳(メタデータ) (2026-05-20T19:08:38Z) - SHAPE: Shifted Absolute Position Embedding for Transformers [59.03597635990196]
既存の位置表現は、目に見えない長さや計算コストの高いデータをテストする一般化の欠如に悩まされる。
両問題に対処するため,シフト絶対位置埋め込み(SHAPE)について検討した。
論文 参考訳(メタデータ) (2021-09-13T00:10:02Z)
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。