論文の概要: SECURE: Stable Early Collision Understanding via Robust Embeddings in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2604.01337v1
• Date: Wed, 01 Apr 2026 19:42:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.860723
• Title: SECURE: Stable Early Collision Understanding via Robust Embeddings in Autonomous Driving
• Title（参考訳）: SECURE: 自動運転におけるロバスト埋め込みによる安定した早期衝突理解
• Authors: Wenjing Wang, Wenxuan Wang, Songning Lai,
• Abstract要約: SECURE - 安定早期衝突理解ロバスト埋め込み(Robust Embeddings)は、モデルロバスト性を正式に定義し、強制するフレームワークである。 本稿では,多目的損失を用いたベースラインモデルを微調整し,基準モデルからの偏差を最小化し,逆方向の摂動に対する感度を低下させる手法を提案する。DADおよびCDDデータセットを用いた実験により,本手法は種々の摂動に対する堅牢性を著しく向上するだけでなく,クリーンデータの性能向上も図っている。
• 参考スコア（独自算出の注目度）: 14.057807061501004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning has significantly advanced accident anticipation, the robustness of these safety-critical systems against real-world perturbations remains a major challenge. We reveal that state-of-the-art models like CRASH, despite their high performance, exhibit significant instability in predictions and latent representations when faced with minor input perturbations, posing serious reliability risks. To address this, we introduce SECURE - Stable Early Collision Understanding Robust Embeddings, a framework that formally defines and enforces model robustness. SECURE is founded on four key attributes: consistency and stability in both prediction space and latent feature space. We propose a principled training methodology that fine-tunes a baseline model using a multi-objective loss, which minimizes divergence from a reference model and penalizes sensitivity to adversarial perturbations. Experiments on DAD and CCD datasets demonstrate that our approach not only significantly enhances robustness against various perturbations but also improves performance on clean data, achieving new state-of-the-art results.
• Abstract（参考訳）: ディープラーニングは事故予測を大幅に進歩させたが、これらの安全クリティカルなシステムの現実世界の摂動に対する堅牢性は依然として大きな課題である。 我々は、CRASHのような最先端のモデルは、高い性能にもかかわらず、小さな入力摂動に直面した場合の予測や潜在表現に重大な不安定性を示し、重大な信頼性リスクを生じさせることを明らかにした。 これに対処するため、モデルロバスト性を正式に定義し、強制するフレームワークであるSECURE-Stable Early Collision Understanding Robust Embeddingsを紹介します。 SECUREは、予測空間と潜在機能空間の両方における一貫性と安定性の4つの重要な属性に基づいて構築されている。 本稿では,多目的損失を用いてベースラインモデルを微調整し,基準モデルからの発散を最小限に抑え,対向的摂動に対する感受性を罰する手法を提案する。 DADとCDデータセットの実験により、我々のアプローチは様々な摂動に対する堅牢性を著しく向上するだけでなく、クリーンなデータの性能も向上し、新しい最先端の結果が得られます。

関連論文リスト

• SG-OIF: A Stability-Guided Online Influence Framework for Reliable Vision Data [6.4391040754741296]
  本稿では,テスト予測に対するトレーニングポイントの影響を近似するための安定誘導オンライン影響フレームワーク(SG-OIF)を提案する。 CIFAR-10の上位1%の予測サンプルでは,SG-OIFが91.1%,MNISTの99.8%のAUPRスコアが得られた。
  論文  参考訳（メタデータ） (2025-11-21T19:58:54Z)
• AdvChain: Adversarial Chain-of-Thought Tuning for Robust Safety Alignment of Large Reasoning Models [62.70575022567081]
  本稿では,逆CoTチューニングによる動的自己補正をモデルに教えるアライメントパラダイムであるAdvChainを提案する。 私たちの仕事は、より堅牢で信頼性の高い推論モデルを構築するための新しい方向性を確立します。
  論文  参考訳（メタデータ） (2025-09-29T04:27:23Z)
• A Validation Strategy for Deep Learning Models: Evaluating and Enhancing Robustness [0.8532585403388676]
  そこで本研究では,学習データセットから直接,局所解析によって"弱頑な"サンプルを抽出する検証手法を提案する。 これらのサンプルは摂動に最も敏感なものであり、モデルの脆弱性の早期かつ敏感な指標として機能する。 CIFAR-10, CIFAR-100, ImageNetで学習したモデルに対して, 本手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-09-23T16:14:14Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Benchmarking the Spatial Robustness of DNNs via Natural and Adversarial Localized Corruptions [49.546479320670464]
  本稿では,セグメンテーションモデルの空間的ロバスト性を評価するための特別な指標を紹介する。 本稿では,モデルロバスト性をより深く理解する手法として,地域対応型マルチアタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック分析を提案する。 その結果、モデルがこれらの2種類の脅威に異なる反応を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-02T11:37:39Z)
• Breach in the Shield: Unveiling the Vulnerabilities of Large Language Models [13.216398753024182]
  大規模言語モデル(LLMs)と視覚言語モデル(VLMs)は、幅広いタスクで素晴らしいパフォーマンスを実現しています。 本研究では,このような摂動の影響を受けやすいパラメータや入力次元を同定することにより,この脆弱性の原因を特定することを目的とする。 我々は、情報幾何学に根ざし、個々のパラメータと入力次元の感度を定量化する、textbfFI, textbf First order local textbfInfluence という安定性尺度を提案する。
  論文  参考訳（メタデータ） (2025-03-28T16:23:59Z)
• ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning [26.369237406972577]
  視覚中心のセマンティック占有予測は、自律運転において重要な役割を果たす。 カメラからのセマンティック占有率を予測するための信頼性を探求する研究は、まだ少ない。 本稿では,カメラによる占有ネットワークの信頼性向上を目的としたReliOccを提案する。
  論文  参考訳（メタデータ） (2024-09-26T16:33:16Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)

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。