論文の概要: Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction

• arxiv url: http://arxiv.org/abs/2605.21109v1
• Date: Wed, 20 May 2026 12:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.673177
• Title: Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction
• Title（参考訳）: 視力に基づく安全予測のための異常インフォームド信頼度校正
• Authors: Zhenjiang Mao, Jiawen Wu, Gabriel Wagner, Zhongzheng Zhang, Ivan Ruchkin,
• Abstract要約: 既存の異常信号における臨界知覚-力学ギャップを同定する。 本研究では,世界モデルから抽出した2つの異常スコアを融合する異常情報オンライン手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0981335059631014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable confidence estimates are important for safely deploying vision-based controllers in autonomous racing, where safety predictions must be derived from camera images, yet modern predictors become dangerously overconfident under test-time distribution shifts. We identify a critical perception-dynamics gap in existing anomaly signals: widely used scores, such as autoencoder reconstruction error, capture visual corruptions but miss dynamics anomalies (e.g., actuation bias, latency), where images remain plausible while the trajectory degrades. To address this, we propose an Anomaly-Informed Online Calibration approach that, without retraining any model component, fuses two complementary anomaly scores extracted from a world model: a perceptual score from reconstruction error and a dynamics score from epistemic uncertainty and control-stream statistics. Based on these fused scores, a lightweight temperature-scaling calibrator leverages test-time augmentation to selectively reduce overconfidence under shift while preserving nominal-condition performance. Experiments on a physical DonkeyCar under four real-world anomaly protocols unseen during training (darkness, blur, actuation bias, processing latency) reduce average expected calibration error from 0.184 to 0.116, a 37% improvement over the best baseline, without modifying the base safety predictor.
• Abstract（参考訳）: 自律走行では、カメラ画像から安全予測を導き出さなければならないが、現代の予測器はテスト時間分布シフトによって危険に過信される。 オートエンコーダの再構成誤差や視覚的破損を捉えるが,動作バイアス,遅延などのダイナミックな異常を見逃さずに画像が劣化している間に画像が可視であるような,既存の異常信号における重要な知覚-力学的ギャップを同定する。 そこで本研究では, モデルコンポーネントを再学習することなく, 世界モデルから抽出した2つの相補的異常スコア, 再現誤差からの知覚スコアと, 疫学の不確実性と制御ストリーム統計からのダイナミクススコアを融合する, 異常情報を用いたオンライン校正手法を提案する。 これらの融合スコアに基づいて、軽量温度スケーリングキャリブレータは、テスト時間拡張を利用して、名目条件性能を維持しながらシフト中の過信を選択的に低減する。 トレーニング中に見えない4つの現実世界の異常プロトコル(暗さ、ぼやけ、アクティベーションバイアス、処理遅延)の下での物理ドンキーカーの実験では、平均的なキャリブレーション誤差が0.184から0.116に減少し、ベース安全予測器を変更することなく、最高のベースラインよりも37%改善された。

関連論文リスト

• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• Temperature Scaling Attack Disrupting Model Confidence in Federated Learning [4.863985119779627]
  精度を保ちながらキャリブレーションを低下させる訓練時間攻撃である温度スケーリング攻撃(TSA)を提案する。 その結果, 校正整合性は, 連合学習における重要な攻撃面として確立された。
  論文  参考訳（メタデータ） (2026-02-06T12:01:54Z)
• Towards Adversarial Robustness and Uncertainty Quantification in DINOv2-based Few-Shot Anomaly Detection [6.288045889067255]
  DINOv2のような基礎モデルは、数発の異常検出において強い性能を示している。 本研究は, 敵攻撃と不確実性評価に関する最初の体系的研究である。 生の異常スコアは校正が不十分で、信頼性と正しさのギャップが明らかになり、安全クリティカルな使用が制限されることがわかりました。
  論文  参考訳（メタデータ） (2025-10-15T15:06:45Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)

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。