論文の概要: Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring

• arxiv url: http://arxiv.org/abs/2603.25670v1
• Date: Thu, 26 Mar 2026 17:26:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.397537
• Title: Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring
• Title（参考訳）: CPS安全モニタリングのための不確実性誘導ラベルリバランシング
• Authors: John Ayotunde, Qinghua Xu, Guancheng Wang, Lionel C. Briand,
• Abstract要約: U-Balanceは、行動の不確実性を利用して、安全予測器をトレーニングする前に不均衡なデータセットを再バランスする教師付きアプローチである。 U-Balanceを46:1の安全/安全比を持つ大規模UAVベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 5.582427141367205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safety monitoring is essential for Cyber-Physical Systems (CPSs). However, unsafe events are rare in real-world CPS operations, creating an extreme class imbalance that degrades safety predictors. Standard rebalancing techniques perform poorly on time-series CPS telemetry, either generating unrealistic synthetic samples or overfitting on the minority class. Meanwhile, behavioral uncertainty in CPS operations, defined as the degree of doubt or uncertainty in CPS decisions , is often correlated with safety outcomes but unexplored in safety monitoring. To that end, we propose U-Balance, a supervised approach that leverages behavioral uncertainty to rebalance imbalanced datasets prior to training a safety predictor. U-Balance first trains a GatedMLP-based uncertainty predictor that summarizes each telemetry window into distributional kinematic features and outputs an uncertainty score. It then applies an uncertainty-guided label rebalancing (uLNR) mechanism that probabilistically relabels \textit{safe}-labeled windows with unusually high uncertainty as \textit{unsafe}, thereby enriching the minority class with informative boundary samples without synthesizing new data. Finally, a safety predictor is trained on the rebalanced dataset for safety monitoring. We evaluate U-Balance on a large-scale UAV benchmark with a 46:1 safe-to-unsafe ratio. Results confirm a moderate but significant correlation between behavioral uncertainty and safety. We then identify uLNR as the most effective strategy to exploit uncertainty information, compared to direct early and late fusion. U-Balance achieves a 0.806 F1 score, outperforming the strongest baseline by 14.3 percentage points, while maintaining competitive inference efficiency. Ablation studies confirm that both the GatedMLP-based uncertainty predictor and the uLNR mechanism contribute significantly to U-Balance's effectiveness.
• Abstract（参考訳）: サイバー物理システム(CPS)には安全監視が不可欠である。 しかし、現実世界のCPS操作では安全でないイベントは稀であり、安全予測器を低下させる極端なクラス不均衡を生み出す。 標準再バランス技術は、非現実的な合成サンプルを生成するか、マイノリティクラスに過度に適合するか、時系列CPSテレメトリで性能が良くない。 一方、CPSの行動の不確実性は、CPSの判断における疑念の程度または不確実性として定義され、安全結果と相関することが多いが、安全監視では未検討である。 そこで我々は,安全予測器を訓練する前に,行動の不確実性を利用して不均衡なデータセットを再バランスさせる教師付きアプローチであるU-Balanceを提案する。 U-BalanceはまずGatedMLPベースの不確実性予測器を訓練し、各テレメトリウィンドウを分布キネマティックな特徴に要約し、不確実性スコアを出力する。 次に、確率的に \textit{safe}-ラベル付きウィンドウを \textit{unsafe} として異常に高い不確実性を持つようにリラベルする不確実性誘導ラベルリバランシング(uLNR)機構を適用し、新しいデータを合成することなく、情報的境界サンプルでマイノリティクラスを強化する。 最後に、安全予測器は、安全監視のためのバランスのとれたデータセットに基づいて訓練される。 U-Balanceを46:1の安全対安全比を持つ大規模UAVベンチマークで評価した。 その結果,行動の不確実性と安全性との間には中程度に有意な相関が認められた。 次に、uLNRを、直接の早期・後期融合と比較して、不確実性情報を利用する最も効果的な戦略とみなす。 U-Balanceのスコアは0.806 F1で、最強のベースラインを14.3%上回り、競争力のある推論効率を維持している。 アブレーション研究により、GatedMLPベースの不確実性予測器とuLNR機構の両方がU-Balanceの有効性に大きく寄与することが確認された。

関連論文リスト

• Safe Urban Traffic Control via Uncertainty-Aware Conformal Prediction and World-Model Reinforcement Learning [43.06827300023392]
  STREAM-RLは、不確実性誘導型適応型コンフォーマルフォアキャスター、コンフォーマル残留流ネットワーク、不確実性誘導型セーフワールドモデルRLエージェントである。 複数の実世界の交通軌跡データの実験では、STREAM-RLは91.4%のカバレッジ効率を達成し、FDRを4.1%の信頼性で制御し、標準のPPOの69%に比べて安全性を95.2%向上している。
  論文  参考訳（メタデータ） (2026-02-04T18:10:59Z)
• Decision-Aware Trust Signal Alignment for SOC Alert Triage [0.0]
  本稿では,SOC警告トリアージの信頼信号対応方式を提案する。 このフレームワークは、調整済みの信頼性、軽量不確実性、そしてコストに敏感な決定しきい値をコヒーレントな決定支持層に組み合わせている。 信頼度が不一致な表示によって偽陰性が大幅に増幅されるのに対し、コスト重み付き損失は決定整合信頼信号を持つモデル間での桁違いに減少することを示す。
  論文  参考訳（メタデータ） (2026-01-08T01:41:54Z)
• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Safety Monitoring for Learning-Enabled Cyber-Physical Systems in Out-of-Distribution Scenarios [17.629563106665557]
  OODデータに対して堅牢な方法で安全性を直接監視することを提案する。 我々の安全モニターは適応型コンフォーマル予測と漸進学習を組み合わせた新しい組み合わせも使用しています。
  論文  参考訳（メタデータ） (2025-04-18T05:42:37Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。