論文の概要: Co-Design of Out-of-Distribution Detectors for Autonomous Emergency Braking Systems

• arxiv url: http://arxiv.org/abs/2307.13419v1
• Date: Tue, 25 Jul 2023 11:38:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 17:25:51.754454
• Title: Co-Design of Out-of-Distribution Detectors for Autonomous Emergency Braking Systems
• Title（参考訳）: 自律型緊急ブレーキシステムのための分散検出装置の共設計
• Authors: Michael Yuhas and Arvind Easwaran
• Abstract要約: 学習可能なコンポーネント(LEC)は、トレーニングディストリビューション外のサンプルを提示すると、誤った判断をする。 オフ・オブ・ディストリビューション(OOD)検出器はそのようなサンプルを検出するために提案されており、それによって安全モニターとして機能する。 我々は,このリスクモデルを用いた共同設計手法を定式化し,OOD検出器の設計パラメータとベースラインシステムより低いリスクを減少させるLECを求める。
• 参考スコア（独自算出の注目度）: 4.406331747636832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning enabled components (LECs), while critical for decision making in autonomous vehicles (AVs), are likely to make incorrect decisions when presented with samples outside of their training distributions. Out-of-distribution (OOD) detectors have been proposed to detect such samples, thereby acting as a safety monitor, however, both OOD detectors and LECs require heavy utilization of embedded hardware typically found in AVs. For both components, there is a tradeoff between non-functional and functional performance, and both impact a vehicle's safety. For instance, giving an OOD detector a longer response time can increase its accuracy at the expense of the LEC. We consider an LEC with binary output like an autonomous emergency braking system (AEBS) and use risk, the combination of severity and occurrence of a failure, to model the effect of both components' design parameters on each other's functional and non-functional performance, as well as their impact on system safety. We formulate a co-design methodology that uses this risk model to find the design parameters for an OOD detector and LEC that decrease risk below that of the baseline system and demonstrate it on a vision based AEBS. Using our methodology, we achieve a 42.3% risk reduction while maintaining equivalent resource utilization.
• Abstract（参考訳）: 学習可能なコンポーネント(LEC)は、自動運転車(AV)における意思決定に不可欠であるが、トレーニングディストリビューション外のサンプルを提示した場合、誤った判断をする可能性が高い。 オフ・オブ・ディストリビューション(OOD)検出器は、そのようなサンプルを検出するために提案されているため、安全モニターとして機能するが、OOD検出器とLECはどちらも、一般的にAVで見られる組込みハードウェアを多用する必要がある。 両方の部品には非機能性能と機能性能のトレードオフがあり、どちらも車両の安全性に影響を与える。 例えば、OOD検出器に長い応答時間を与えると、LECを犠牲にしてその精度が向上する。 我々は,自律型緊急ブレーキシステム(AEBS)のようなバイナリ出力とリスク,重大度と失敗の発生の組み合わせを併用したLECを,両コンポーネントの設計パラメータが相互の機能的および非機能的性能に与える影響をモデル化し,システム安全性に与える影響を考察する。 我々は、このリスクモデルを用いて、ベースラインシステムより低いリスクを減少させるOOD検出器とLECの設計パラメータを見つけ、それを視覚ベースのAEBSで実証する共同設計手法を定式化する。 本手法を用いて,等価資源利用を維持しつつ,42.3%のリスク低減を実現する。

関連論文リスト

• Compressing VAE-Based Out-of-Distribution Detectors for Embedded Deployment [2.27626288527213]
  アウト・オブ・ディストリビューション検出器は、組込みサイバー物理システムの安全モニターとして機能する。 ディープニューラルネットワークは、メモリと電力の制約のある組み込みシステムにおいて、リアルタイムの期限を満たすのが難しくなる。 本稿では,3つの圧縮手法をすべて組み合わせた設計手法を提案し,メモリと実行時間を大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-02T00:39:29Z)
• What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
  安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。 安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。 これを用いて,3つのよく知られた安全微調整手法について検討する。
  論文  参考訳（メタデータ） (2024-07-14T16:12:57Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• MKF-ADS: Multi-Knowledge Fusion Based Self-supervised Anomaly Detection System for Control Area Network [9.305680247704542]
  制御エリアネットワーク(英: Control Area Network, CAN)は、車両ネットワークにおける電子制御ユニット(ECU)間の通信プロトコルである。 CANは、本質的にセキュリティ上のリスクのために、厳しいセキュリティ上の課題に直面している。 本稿では,MKF-ADSと呼ばれる自己教師付き多知識融合異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-07T07:40:53Z)
• Fast Decision Boundary based Out-of-Distribution Detector [7.04686607977352]
  アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの安全なデプロイに不可欠である。 既存の特徴空間法は有効であるが、しばしば計算上のオーバーヘッドを生じさせる。 補助モデルを用いない計算効率の良いOOD検出器を提案する。
  論文  参考訳（メタデータ） (2023-12-15T19:50:32Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Design Methodology for Deep Out-of-Distribution Detectors in Real-Time Cyber-Physical Systems [5.233831361879669]
  アウト・オブ・ディストリビューション(OOD)検出器はMLモデルと並行して動作し、フラグ入力は望ましくない結果をもたらす可能性がある。 本研究は,組込みアプリケーションの精度および応答時間要求を満たすため,深部OOD検出器をチューニングするための設計手法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T14:06:27Z)
• Robustness Enhancement of Object Detection in Advanced Driver Assistance Systems (ADAS) [0.0]
  提案システムは、(1)最新鋭の物体検出器と対等な精度で性能が期待できる小型のワンステージ物体検出器と、(2)状況の意義から、自動運転車が人間の行動を必要とする場合には、警報信号をクラウドに送信するのに役立つ環境条件検出器の2つの主要コンポーネントを含む。
  論文  参考訳（メタデータ） (2021-05-04T15:42:43Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。