論文の概要: What Balanced Accuracy Cannot Identify in Neural-Signal Decoding under Test-Time Adaptation
- arxiv url: http://arxiv.org/abs/2611.17925v1
- Date: Fri, 13 Nov 2026 09:04:14 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:26:42.906309
- Title: What Balanced Accuracy Cannot Identify in Neural-Signal Decoding under Test-Time Adaptation
- Title(参考訳): テスト時間適応によるニューラル信号復号における平衡精度の同定
- Abstract要約: 11個のデータセットエンコーダ細胞で全試験時間適応を評価した。
クラスレベルの変更は、アグリゲートとサブジェクトレベルの変更とともに報告されるべきである。
- 参考スコア(独自算出の注目度): 1.9752198817821738
- License:
- Abstract: Adaptation for neural-signal classification is usually transductive: each batch is scored after updating on it, and the gain depends on the adapted model [4]. This paper asks what an aggregate change fails to characterise inside the cohort. Full test-time adaptation (full_ttt) was evaluated in 11 dataset-encoder cells (four each on Siena/EEG and PTB-XL/ECG, three on Sleep-EDF/EEG), with splits and source-model evaluation fixed; the subject was the unit, exact sign tests were Holm-corrected and conditional on the shared stream, and bootstrap intervals accompanied a dependence audit. Two results of different kinds follow. In the binary case balanced accuracy gives a one-class decoder the same value as one reporting both classes at 50%, so the aggregate cannot identify a class that stopped being reported; a class covering a tenth of a subject's samples went unpredicted in 26-47 of 112 subject-cells, against 7-9 for the controls, which is a descriptive count. With cohort, split and update rule fixed, the within-subject class contrast follows the encoder, tested directly rather than inferred from tests against zero: two of six Siena encoder pairs survive the dependence readings at their nominal reference and one at a fold-level reference, while two of ten Sleep-EDF stage pairs pass the run-clustered gate at its nominal reference; aggregate and contrast named different encoders in 10 of 11. The protocol bounds both results, since a stream-interleaving effect reverses sign with state sharing (+3.5 to -2.4 pp). An aggregate score can hide individual harm, as [1] showed, but it cannot distinguish a uniform loss from a deleted class; class-level change should therefore be reported alongside the aggregate and subject-level change alongside it, with both results conditional on the cell, the rule and the stream construction.
- Abstract(参考訳): ニューラル信号分類の適応は通常、更新後に各バッチがスコアされ、ゲインは適応されたモデルに依存します [4]。
本稿では,コホート内における集合的変化がどのような特徴付けに失敗するかを問う。
完全テスト時間適応 (full_ttt) は11個のデータセットエンコーダ細胞 (Siena/EEG, PTB-XL/ECG, 3個はSleep-EDF/EEG, 3個はSleep-EDF/EEG) で評価された。
異なる種類の2つの結果が続く。
バイナリケースのバランスの取れた精度では、一級デコーダは、両方のクラスを50%でレポートするのと同じ値を与えるため、アグリゲーションは報告を中止するクラスを特定することができない。
6つのシーナエンコーダペアのうち2つは名目参照で、もう1つは折りたたみ参照で、一方は10つのSleep-EDFステージペアは名目参照でランクラスタゲートを通過し、アグリゲートとコントラストは11の10で異なるエンコーダと命名された。
ストリームインターリービング効果は、状態共有(+3.5から-2.4 pp)で符号を反転させるため、プロトコルは両方の結果にバウンドする。
集約スコアは、[1]が示したように個々の害を隠すことができるが、削除されたクラスと一様損失を区別することはできない。
関連論文リスト
- The Neighbour's Label: Opposite Subgroup Effects of Same-Dialogue Exposure in Next-Act Evaluation [0.6808838765425994]
次に実施される評価は、対話間の一般化を測ることが目的であることが多い。
オーバーラップするウィンドウと類似性検索は、テストダイアログからラベル付き例を公開します。
我々は、SGD、STAR、AMIの制御された設計の下で、この露光を誘導する。
論文 参考訳(メタデータ) (2026-11-11T08:41:16Z) - The Batch Size Can Be One: Test-Time Adaptation from Classifier Geometry [42.541162434624596]
テスト時適応は、未ラベルのテストストリーム上にデプロイされたモデルを更新する。
本稿では,OriTTA(Origin-recentered Test-Time Adaptation)を提案する。
論文 参考訳(メタデータ) (2026-10-27T04:32:20Z) - 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) - Contrastive Neural Embeddings Reveal Individual Traits Beyond Conversational Role [0.13999481573773068]
我々は会話中のダイアドから記録された脳波にCEBRAを適用し、その結果の埋め込みを分析する。
パートナーの自閉症引用スコアの絶対的な違いを含むダイアドを記述したラベルは、チャンスをはるかに上回っている。
話者対リスナーの役割分析は同じ埋め込みにおいて偶然に実行され、個人によって組織された多様体を示す。
論文 参考訳(メタデータ) (2026-10-02T15:00:02Z) - Support-Set Target Leakage in Relational Foundation Models during In-Context Learning: Model Dependence and Evaluation Reliability [31.89838384366225]
In-context- learning (ICL) では、ラベル付きサポート例とリンクされたリレーショナルコンテキストを使用して、新しいクエリのラベルを予測する。
これにより、ターゲットから派生した機能がサポートコンテキストに存在しているが、クエリでは利用できない場合、障害モードが生成される。
本研究では,13のRelBenchタスクと5つのリレーショナルICL構成にまたがって,この設定をサポートセットのターゲットリークとして検討する。
論文 参考訳(メタデータ) (2026-09-29T00:14:48Z) - Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。
我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
論文 参考訳(メタデータ) (2026-09-27T13:01:02Z) - Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。
統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文 参考訳(メタデータ) (2026-09-03T14:05:27Z) - Mitigating Rubric Interference in LLM Judges via On-Policy Self-Distillation [40.2978746802106]
LLM審査員は、きめ細かいルックスチェックリストに対する反応をますます評価している。
現在のメソッドは通常、それぞれを別々の推論コールで評価する。
その結果,どのルーリックが同一であるかによって,1つのルーリックシフトの判定が行われることがわかった。
我々は、4つの制御された操作を通して干渉を探索する測定フレームワークを開発した。
論文 参考訳(メタデータ) (2026-08-05T03:35:29Z) - A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks [0.0]
本研究では、このギャップを象徴的推論から神経知覚を分離することで橋渡しするモジュラーでファジィな規則に基づくニューロシンボリック・フレームワークを導入する。
推論のために、DT、特にウェカのJ48アルゴリズムは、接地規則のCODEと重度ラベルに基づいて訓練され、その経路は19の固定IF-THENルールに変換される。
全体として、このフレームワークは、競合するクラスバランスのパフォーマンスと予測されたCODE学位からのトレース可能な推論を組み合わせることで、ルールサポートと重大さのエビデンスを実現している。
論文 参考訳(メタデータ) (2026-07-30T16:33:26Z) - Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。
このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。
そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
論文 参考訳(メタデータ) (2026-05-23T06:27:42Z) - Consistent-Teacher: Towards Reducing Inconsistent Pseudo-targets in
Semi-supervised Object Detection [28.40887130075552]
擬似ターゲットは正確な検出器の訓練を損なう。
生徒のトレーニングにノイズを注入し、過度な過度な問題を引き起こす。
不整合を低減するために,ConsistentTeacherと呼ばれる体系的ソリューションを提案する。
論文 参考訳(メタデータ) (2022-09-04T10:21:02Z)
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。