論文の概要: Evaluating randomized smoothing as a defense against adversarial attacks in trajectory prediction

• arxiv url: http://arxiv.org/abs/2603.10821v1
• Date: Wed, 11 Mar 2026 14:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.996362
• Title: Evaluating randomized smoothing as a defense against adversarial attacks in trajectory prediction
• Title（参考訳）: 軌道予測における対向攻撃防御としてのランダム化平滑化の評価
• Authors: Julian F. Schumann, Eduardo Figueiredo, Frederik Baymler Mathiesen, Luca Laurenti, Jens Kober, Arkady Zgonnikov,
• Abstract要約: ランダムな平滑化に基づく軌道予測モデルのための新しい防御機構を開発し,評価する。 この結果から, ランダムスムーシングは, トラジェクティブ予測において, 逆方向攻撃を緩和するための簡易かつ計算コストのかかる手法であることがわかった。
• 参考スコア（独自算出の注目度）: 9.678379563415204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and robust trajectory prediction is essential for safe and efficient autonomous driving, yet recent work has shown that even state-of-the-art prediction models are highly vulnerable to inputs being mildly perturbed by adversarial attacks. Although model vulnerabilities to such attacks have been studied, work on effective countermeasures remains limited. In this work, we develop and evaluate a new defense mechanism for trajectory prediction models based on randomized smoothing -- an approach previously applied successfully in other domains. We evaluate its ability to improve model robustness through a series of experiments that test different strategies of randomized smoothing. We show that our approach can consistently improve prediction robustness of multiple base trajectory prediction models in various datasets without compromising accuracy in non-adversarial settings. Our results demonstrate that randomized smoothing offers a simple and computationally inexpensive technique for mitigating adversarial attacks in trajectory prediction.
• Abstract（参考訳）: 正確で堅牢な軌道予測は安全かつ効率的な自動運転には不可欠であるが、最近の研究では、最先端の予測モデルでさえ、敵の攻撃によって軽度に妨害される入力に対して非常に脆弱であることが示されている。 このような攻撃に対するモデル脆弱性は研究されているが、効果的な対策に関する研究は限られている。 本研究では, ランダムな平滑化に基づく軌道予測モデルのための新しい防御機構を開発し, 評価する。 ランダムな平滑化の異なる戦略をテストする一連の実験により、モデルロバスト性を改善する能力を評価する。 提案手法は, 各種データセットにおける複数の基本軌道予測モデルの予測ロバスト性を, 非逆条件下での精度を損なうことなく, 一貫して改善できることを示す。 この結果から, ランダムスムーシングは, トラジェクティブ予測において, 逆方向攻撃を緩和するための簡易かつ計算コストのかかる手法であることがわかった。

関連論文リスト

• Countering adversarial evasion in regression analysis [0.7136933021609079]
  敵の回避は、敵がデータを適応して、確立した予測モデルから特定の結果に影響を与えるシナリオを考える。 本稿では,回帰シナリオに対する悲観的二段階最適化プログラムを提案する。
  論文  参考訳（メタデータ） (2025-09-26T09:35:26Z)
• Motion Forecasting via Model-Based Risk Minimization [13.524251552252489]
  複数モデルの予測に基づく軌道予測に適用可能な新しいサンプリング手法を提案する。 まず、予測確率に基づく従来のサンプリングは、モデル間のアライメントの欠如により性能を低下させることができることを示す。 基礎学習者として最先端モデルを用いて,最適軌道サンプリングのための多種多様な効果的なアンサンブルを構築した。
  論文  参考訳（メタデータ） (2024-09-16T09:03:28Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。 そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。 認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。