OAMF: Optics-Accelerated Multimodal Learning with Markov Temporal Priors and Fourier Regularization
Notice bibliographique
Résumé
OAMF (Optics-Accelerated Multimodal Learning with Markov Temporal Priors and Fourier Regularization), a hybrid optical-digital framework designed for sequence comprehension spanning visual, auditory, textual, and inertial sensor modalities. OAMF tackles three enduring issues in multimodal learning: elevated latency and energy consumption for high-resolution visual processing, degradation of temporal coherence due to asynchronous or absent modalities, and frequency-domain discrepancies that undermine cross-modal alignment. The visual stream undergoes preprocessing using an optical neural front-end that executes spatial Fourier transforms and convolutions in hardware, producing near-zero-latency feature maps that are digitized and minimally adjusted by compact residual blocks. A Markov state-space layer preserves temporal consistency in latent dynamics and facilitates smooth deterioration in the absence of inputs. Training incorporates Fourier-domain consistency losses to align spectra across modalities and a physics-in-the-loop regularizer that aligns measured optical transfer functions while adhering to phase quantization. OAMF is engineered to diminish end-to-end latency and energy consumption while enhancing accuracy and temporal stability across representative multimodal activities, including classification, retrieval, and question answering. Ablations delineate the roles of the optical front-end, Markov priors, and spectral regularization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».