論文の概要: What Will Happen Next: Large Models-Driven Deduction for Emergency Instances

• arxiv url: http://arxiv.org/abs/2605.08599v1
• Date: Sat, 09 May 2026 01:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.765661
• Title: What Will Happen Next: Large Models-Driven Deduction for Emergency Instances
• Title（参考訳）: これから起こること - 大規模モデル駆動型緊急時推論
• Abstract要約: 大規模モデル(LM)は、制御可能なランダム性を導入するために生成戦略を調整することができる。 本稿では,緊急事態の可視化とデダクションを多用したLMS駆動のワールドラインディバージェンスシステム(WLDS)を提案する。
• 参考スコア（独自算出の注目度）: 32.61657902250479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional simulation methods reproduce occurred emergency instances through presetting to assist people in risk assessment and emergency decision-making. However, due to the lack of randomness and diversity, existing simulation systems struggle to fully explore the potential risk as emergency instances are scarce. In contrast, Large Models (LMs) can dynamically adjust generation strategies to introduce controllable randomness, while also possessing extensive prior knowledge and cross-domain knowledge transfer capabilities. Inspired by it, we propose the LMs-driven World Line Divergence System (WLDS), which enables diversified visualization and deduction of emergency instances in different domains. WLDS leverages LMs to deduce emergency instances in various development directions, and introduces the factual calibration and logical calibration mechanism to ensure factual accuracy and logical rigor during the deduction process. The interactive module can independently select deduction directions to avoid potential hallucinations that are difficult for the system to identify. Furthermore, by introducing the visualization module, WLDS forms simulation and deduction that combine text and images, which enhances interpretability. Extensive experiments conducted on the proposed Emergency Instances Deduction (EID) benchmark dataset demonstrate that WLDS achieves high-precision and high-fidelity simulation and deduction of emergency instances in multiple specific domains. Relevant experiments further demonstrate that WLDS can generate more emergency instances deduction data for users and provide support for better decision-making in similar emergency instances in the future.
• Abstract（参考訳）: 従来のシミュレーション手法は、リスクアセスメントや緊急意思決定を支援するプリセットによって、発生した緊急インスタンスを再現する。 しかし、ランダム性や多様性の欠如により、既存のシミュレーションシステムは、緊急インスタンスが不足しているため、潜在的なリスクを完全に探究するのに苦労している。 対照的に、Large Models (LM) は、制御可能なランダム性を導入するために生成戦略を動的に調整することができる。 そこで本研究では,異なる領域における緊急時インスタンスの可視化と復号化を可能にする,LMS駆動のWLDS(World Line Divergence System)を提案する。 WLDSは、LMを活用して、様々な開発方向の緊急インスタンスを推定し、事実上のキャリブレーションと論理的なキャリブレーション機構を導入し、推論プロセス中に事実の精度と論理的な厳密さを確保する。 対話モジュールは、システムが識別し難い幻覚を避けるために、独立して推論方向を選択することができる。 さらに、可視化モジュールを導入することで、WLDSは、テキストと画像を組み合わせたシミュレーションと推論を形成し、解釈可能性を高める。 提案した緊急インスタンス推論(EID)ベンチマークデータセットで実施された大規模な実験は、WLDSが複数の特定ドメインにおける緊急インスタンスの高精度かつ高精度なシミュレーションと推論を実現していることを示している。 関連する実験は、WLDSがユーザに対してより多くの緊急インスタンス推論データを生成し、将来、同様の緊急インスタンスにおけるより良い意思決定をサポートすることを実証している。

関連論文リスト

• ICAT: Incident-Case-Grounded Adaptive Testing for Physical-Risk Prediction in Embodied World Models [16.120001030707346]
  ビデオ生成の世界モデルは、具体的計画と政策学習のためのニューラルシミュレータとしてますます使われている。 これらのモデルはしばしば、危険な行動に対する重要な危険条件や深刻な結果を軽視または省略する。 本報告では,構造的リスクメモリを構築することで,実際のインシデントレポートや安全マニュアルにおけるテストの基盤となるICATを提案する。
  論文  参考訳（メタデータ） (2026-03-31T16:36:33Z)
• VLM as Strategist: Adaptive Generation of Safety-critical Testing Scenarios via Guided Diffusion [3.981488921870863]
  本稿では,安全クリティカルなテストシナリオ生成フレームワークを提案する。 視覚言語モデル(VLM)の高レベル意味理解機能と適応誘導拡散モデルの微粒化生成機能を統合する。 実験結果から,提案手法は現実的かつ多種多様で,高度にインタラクティブな安全クリティカルテストシナリオを効率的に生成できることが示された。
  論文  参考訳（メタデータ） (2025-12-02T14:56:57Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Exploring Semantic-constrained Adversarial Example with Instruction Uncertainty Reduction [51.50282796099369]
  本稿では,多次元命令の不確実性低減フレームワークを開発し,意味論的に制約された逆の例を生成する。 言語誘導サンプリングプロセスの予測により、設計したResAdv-DDIMサンプルにより最適化プロセスが安定化される。 セマンティック制約付き3次元逆数例の参照フリー生成を初めて実現した。
  論文  参考訳（メタデータ） (2025-10-27T04:02:52Z)
• Safety-Critical Traffic Simulation with Guided Latent Diffusion Model [8.011306318131458]
  安全クリティカルな交通シミュレーションは、自動運転システムを評価する上で重要な役割を果たす。 本稿では,物理的に現実的で逆向きなシナリオを生成可能なガイド付き潜時拡散モデル(LDM)を提案する。 我々の研究は、現実的な安全クリティカルなシナリオシミュレーションのための効果的なツールを提供し、自律運転システムのより堅牢な評価の道を開く。
  論文  参考訳（メタデータ） (2025-05-01T13:33:34Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• CausalAF: Causal Autoregressive Flow for Safety-Critical Driving Scenario Generation [34.45216283597149]
  フローベース生成フレームワークCausal Autoregressive Flow(CausalAF)を提案する。 CausalAFは生成モデルに対して、生成されたオブジェクト間の因果関係を発見し、追跡することを奨励する。 生成したシナリオを追加のトレーニングサンプルとして使用することで、自律運転アルゴリズムの堅牢性を実証的に改善することを示す。
  論文  参考訳（メタデータ） (2021-10-26T18:07:48Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)

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。