論文の概要: CADD: A Chinese Traffic Accident Dataset for Statute-Based Liability Attribution

• arxiv url: http://arxiv.org/abs/2511.11715v1
• Date: Wed, 12 Nov 2025 18:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.091021
• Title: CADD: A Chinese Traffic Accident Dataset for Statute-Based Liability Attribution
• Title（参考訳）: CADD: 統計に基づく責任帰属のための中国の交通事故データセット
• Authors: Yunfei Shen, Zhongcheng Wu,
• Abstract要約: 法に基づく責任帰属に関する最初のベンチマークであるCADDを紹介する。 CADDには722の現実世界のドライビングレコーダービデオが含まれており、それぞれが textbfBehavior--liability--Statute'' パイプラインに注釈付けされている。 詳細な分析を通じてCADDの有用性を実証し、責任予測と説明可能な意思決定のためのベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 6.6763168644823265
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As autonomous driving technology advances, the critical challenge evolves beyond collision avoidance to the \textbf{adjudication of liability} when accidents occur. Existing datasets, focused on detection and localization, lack the annotations required for this legal reasoning. To bridge this gap, we introduce the \textbf{C}hinese \textbf{A}ccident \textbf{D}uty-determination \textbf{D}ataset (\textbf{CADD}), the first benchmark for statute-based liability attribution. CADD contains 792 real-world driving recorder videos, each annotated within a novel \textbf{``Behavior--Liability--Statute''} pipeline. This framework provides \textbf{granular, symmetric behavior annotations}, clear responsibility assignments, and, uniquely, links each case to the specific \textbf{Chinese traffic law statute} violated. We demonstrate the utility of CADD through detailed analysis and establish benchmarks for liability prediction and explainable decision-making. By directly connecting perceptual data to legal consequences, CADD provides a foundational resource for developing accountable and legally-grounded autonomous systems.
• Abstract（参考訳）: 自律運転技術が進歩するにつれて、事故が発生したときの衝突回避以上の重要な課題が進化する。 検出とローカライゼーションに焦点を当てた既存のデータセットには、この法的理由付けに必要なアノテーションがない。 このギャップを埋めるために、法に基づく責任帰属の最初のベンチマークである \textbf{C}hinese \textbf{A}ccident \textbf{D}uty-determination \textbf{D}ataset (\textbf{CADD})を導入する。 CADDには722の現実世界のドライビングレコーダービデオが含まれており、それぞれが新しい‘textbf{``Behavior--liability--Statute'}パイプラインに注釈付けされている。 このフレームワークは、 \textbf{granular, symmetric behavior annotations}, clear responsibility assignments, and uniquely, each case to the specific \textbf{ Chinese traffic law statuteed。 本稿では,CADDの有効性を詳細な分析を通じて実証し,責任予測と説明可能な意思決定のためのベンチマークを確立する。 知覚データを法的結果に直結させることで、CADDは説明責任および法的根拠を持つ自律システムを開発するための基盤となるリソースを提供する。

関連論文リスト

• SelfAug: Mitigating Catastrophic Forgetting in Retrieval-Augmented Generation via Distribution Self-Alignment [49.86376148975563]
  大規模言語モデル(LLM)は、様々なタスクを理解し実行する能力を通じて自然言語処理に革命をもたらした。 教師付き微調整、特にRetrieval-Augmented Generation (RAG)のシナリオでは、しばしば破滅的な忘れが生じる。 本稿では,モデルのセマンティック分布を保存するために,入力シーケンスロジットをアライメントする自己分布アライメント手法であるSelfAugを提案する。
  論文  参考訳（メタデータ） (2025-09-04T06:50:47Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge [38.58529647679356]
  法的判断予測は,その事実のテキスト記述に基づいて,訴訟の判断結果を自動的に予測することを目的としている。 紛らわしい法律記事(または告訴)の問題は頻繁に発生し、類似記事(または告訴)に該当する法ケースが誤認される傾向があることを反映している。 本稿では、上記の課題を解決するために、textitD-LADAN というエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-18T09:44:59Z)
• Accountability in Offline Reinforcement Learning: Explaining Decisions with a Corpus of Examples [70.84093873437425]
  本稿では、オフラインデータセットを決定コーパスとして利用するAOC(Accountable Offline Controller)を紹介する。 AOCはローデータシナリオで効果的に動作し、厳密なオフラインの模倣設定まで拡張でき、保存性と適応性の両方の品質を示す。 シミュレーションおよび実世界の医療シナリオにおいて、AOCのパフォーマンスを評価し、説明責任を維持しながら高いレベルのパフォーマンスでオフライン制御タスクを管理する能力を強調した。
  論文  参考訳（メタデータ） (2023-10-11T17:20:32Z)
• Unsupervised Pretraining for Fact Verification by Language Model Distillation [4.504050940874427]
  SFAVEL (Self-supervised Fact Verification via Language Model Distillation) は,教師なし事前学習フレームワークである。 アノテーションを必要とせずに、自己管理機能を高品質なクレーム-ファクトアライメントに分解する。 これは、特徴が高品質なクレームとエビデンスアライメントを達成することを奨励する、新しい対照的な損失関数によって実現されている。
  論文  参考訳（メタデータ） (2023-09-28T15:53:44Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)

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。