論文の概要: Error-Decomposed Class-Conditional Fusion for Statistically Guaranteed Hard-Category Robust Perception
- arxiv url: http://arxiv.org/abs/2605.17591v1
- Date: Sun, 17 May 2026 18:39:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:48.219812
- Title: Error-Decomposed Class-Conditional Fusion for Statistically Guaranteed Hard-Category Robust Perception
- Title（参考訳）: 統計的基準付きハードキャテゴリーロバスト知覚のための誤り分解型クラスコンディショナルフュージョン
- Authors: Guowei Luo, Ziqi Shi, Zhao Xie,
- Abstract要約: 本稿では,この普及する脆弱性をHCRP(Hard-Category Reliability Problem)として公式に定義する。
本稿では,エレガントな決定層推論フレームワークであるED-CCFを提案する。
- 参考スコア（独自算出の注目度）: 3.4563147061792527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aggregate object detection metrics inherently mask catastrophic and repeatable failures in operationally critical, long-tail minority classes. This paper formally defines this pervasive vulnerability as the Hard-Category Reliability Problem (HCRP): the fundamental architectural challenge of strictly rectifying vulnerable categories without compromising the performance boundaries of stable classes under stringent protocols. To systematically dismantle this limitation, we propose Error-Decomposed Class-Conditional Fusion (ED-CCF), an elegant decision-layer inference framework. Diverging from heuristic global post-processing, ED-CCF projects predictions into a sophisticated quad-state error taxonomy, dynamically activating calibration pathways exclusively upon rigorous empirical justification. On a highly constrained 600-image validation benchmark, isolating cz as the critical vulnerability (HCEC=0.86, BSR=0.14), our framework achieves a targeted breakthrough: it elevates cz mAP50 from 0.089343 to 0.109353 (a massive +22.4% relative surge) while flawlessly preserving the Pareto optimality of global stability (raising all mAP50 from 0.581925 to 0.584864). Backed by exhaustive validation across 50 paired subset trials demonstrating an overwhelming 96% win rate and strict Bonferroni-corrected Wilcoxon significance (p<0.05), this work fundamentally redefines output-level fusion as an auditable, statistically guaranteed paradigm for safety-critical visual perception.
- Abstract（参考訳）: 集約されたオブジェクト検出メトリクスは、本質的には、運用上重要な、長い尾のマイノリティクラスにおいて、破滅的かつ繰り返し可能な失敗を隠蔽する。
本稿では、この普及する脆弱性を、厳密なプロトコルの下での安定したクラスの性能境界を妥協することなく、脆弱なカテゴリを厳密に修正する基本的なアーキテクチャ上の課題として、HCRP(Hard-Category Reliability Problem)として公式に定義する。
この制限を体系的に解消するために,エレガントな決定層推論フレームワークであるError-Decomposed Class-Conditional Fusion (ED-CCF)を提案する。
ヒューリスティックなグローバルな後処理から切り離され、ED-CCFは、厳密な経験的正当化のみに基づいて動的にキャリブレーション経路を活性化する、洗練されたクアッドステートエラー分類に予測を投影する。
Cz mAP50 を 0.089343 から 0.109353 (大規模+22.4% の相対的な上昇) まで増加させ, グローバル安定性のパレート最適性(0.581925 から 0.584864 まで)を完璧に保っている。
圧倒的な96%の勝利率と厳密なボンフェロニ補正ウィルコクソンの意義(p<0.05)を実証する50対の試行の徹底的な検証によって、この研究は、安全クリティカルな視覚知覚のための、監査可能な統計的に保証されたパラダイムとして、出力レベルの融合を根本的に再定義する。
関連論文リスト
- Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - GF-Score: Certified Class-Conditional Robustness Evaluation with Fairness Guarantees [1.6058099298620423]
我々は、認定されたGREATスコアをクラスごとの堅牢性プロファイルに分解するフレームワークであるemphGF-Score(GREAT-Fairness Score)を紹介する。
分解は正確であり、クラスごとのスコアは一貫性のある脆弱性パターンを示し、より堅牢なモデルではクラスレベルの格差が大きくなる傾向にある。
これらの結果から,信頼性の高いロバスト性保証がすべてのクラスを平等に保護できないような,実用的なアタックフリー監査パイプラインが確立された。
論文 参考訳（メタデータ） (2026-04-14T14:03:22Z) - Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。
我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
論文 参考訳（メタデータ） (2026-03-16T17:37:17Z) - OOD-MMSafe: Advancing MLLM Safety from Harmful Intent to Hidden Consequences [64.01706941950489]
現在の安全パラダイムは、主に悪意のある意図や状況違反をターゲットとしている。
我々は,自律型および実施型エージェントのロバスト展開に不可欠なパラダイムである,結果駆動型安全に向けた安全フロンティアのシフトを提案する。
本稿では,トークンレベルの自己蒸留報酬の動的参照として,モデル固有の推論を統合したCASPO(Consequence-Aware Safety Policy Optimization)フレームワークを開発する。
論文 参考訳（メタデータ） (2026-03-10T14:16:43Z) - Margin-Consistent Deep Subtyping of Invasive Lung Adenocarcinoma via Perturbation Fidelity in Whole-Slide Image Analysis [15.00702842825464]
浸潤性肺腺癌亜型に対する全スライディング画像分類は, 実際の画像摂動に対して脆弱である。
本研究では,143枚の全スライディング画像から203,226枚のパッチに対して評価したマージン整合性フレームワークを提案する。
提案手法は,Kendall相関によるトレーニング中の0.88,バリデーション時の0.64の頑健な特徴-論理空間アライメントを実現する。
論文 参考訳（メタデータ） (2026-02-27T20:47:15Z) - 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) - Beyond Confidence: Adaptive Abstention in Dual-Threshold Conformal Prediction for Autonomous System Perception [0.4124847249415279]
安全クリティカルな認識システムは、安全を維持するために確実な不確実性定量化と原則化された禁制機構を必要とする。
本稿では,統計的に保証された不確実性推定を提供するとともに,リスクの高いシナリオにおいて選択的な予測を可能にする,新しいデュアルスレッド整合化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-11T04:45:31Z) - Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。
本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
論文 参考訳（メタデータ） (2025-01-29T23:55:23Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z)
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。