論文の概要: Reinterpreting Safety Thresholds as Neuron Spiking Thresholds
- arxiv url: http://arxiv.org/abs/2605.30368v1
- Date: Mon, 18 May 2026 16:11:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-07 20:42:22.503138
- Title: Reinterpreting Safety Thresholds as Neuron Spiking Thresholds
- Title（参考訳）: 安全閾値を神経スパイク閾値として再解釈する
- Authors: Enrico Del Re, Mohamed Sabry, Cristina Olaverri-Monreal,
- Abstract要約: 本研究は,SSM閾値の生物学的にインスパイアされた再解釈を提案する。
これは、複数のSSM入力をスパイクニューラルネットワーク(SNN)に組み合わせた、漏れた統合火災(LIF)ニューロンのスパイクしきい値としてモデル化される。
SNNは人間のブレーキオンセットに合わせたスパイクを発生させるよう訓練されている。
- 参考スコア（独自算出の注目度）: 0.24998872534482344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surrogate Safety Measures (SSMs) are extensively utilised in the evaluation of traffic risk in automated driving contexts. However, the majority of SSM-based evaluations employ fixed thresholds that fail to capture the human response to sustained borderline conditions or the reaction to brief, high-risk peaks. The present work proposes a biologically inspired reinterpretation of SSM thresholds. This is modelled as spiking thresholds of leaky integrate-and-fire (LIF) neurons, with multiple SSM inputs combined into a spiking neural network (SNN). The SNN is trained to emit spikes that are aligned with human braking onsets. The training data was recorded in a controlled car-following experiment using the 3D-CoAutoSim platform with CARLA/Unreal and a 6-DOF motion platform, where induced critical events were generated. The results demonstrate that the learned spiking activity qualitatively aligns with braking behaviour across scenarios and captures reactions that are not consistently explained by threshold crossings alone. Analysis across participants further indicates that learned input thresholds remain relatively consistent, while learned decay factors encode different temporal sensitivities for the SSMs. The findings of this study indicate that spiking dynamics may serve as a mechanism to facilitate the convergence of objective SSMs with subjective human safety perception.
- Abstract（参考訳）: サロゲート安全対策(SSM)は、自動走行環境における交通リスクの評価に広く活用されている。
しかし、SSMに基づく評価の大多数は、持続的な境界線条件に対する人間の反応や、短い高リスクピークに対する反応を捉えるのに失敗する固定しきい値を使用している。
本研究は,SSM閾値の生物学的にインスパイアされた再解釈を提案する。
これは、複数のSSM入力をスパイクニューラルネットワーク(SNN)に組み合わせた、漏洩した統合火災(LIF)ニューロンのスパイクしきい値としてモデル化されている。
SNNは人間のブレーキオンセットに合わせたスパイクを発生させるよう訓練されている。
トレーニングデータは、CARLA/Unrealと6-DOFモーションプラットフォームを用いた3D-CoAutoSimプラットフォームを用いた車追従制御実験で記録された。
その結果、学習したスパイク活動は、シナリオ間でのブレーキ動作と定性的に一致し、しきい値交差だけでは説明できない反応を捉えていることがわかった。
参加者間の分析により、学習された入力閾値は比較的一定であり、学習された減衰因子はSSMの時間的感度が異なることが示唆された。
本研究は, スパイキングダイナミクスが, 主観的ヒトの安全知覚を伴う客観的SSMの収束を促進するメカニズムとして機能する可能性が示唆された。
関連論文リスト
- CBANet: A Compact Attention-Based CNN-BiLSTM Network for Aggressive Driving Event Detection [7.82687682320363]
攻撃的な運転は交通事故の大きな原因であり、道路安全に深刻な脅威をもたらす。
深層学習法は、車両センサデータから危険運転行動を検出するための有望な結果を示している。
しかし、実際の環境での性能は、厳しいデータ不均衡、ドライバー間の大きなばらつき、物理的に解釈可能な車両力学表現の欠如によって制限されることが多い。
論文 参考訳（メタデータ） (2026-05-22T10:30:28Z) - The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study [56.649987197786096]
大規模言語モデル(LLM)は人間の行動のシミュレータとしての可能性を示している。
LLMは潜在ユーザ属性の意図しないシフトを誘発し、ユーザのドリフトを引き起こす。
ユーザのドリフトによって生じる不確実性や選択バイアスを形式化する。
論文 参考訳（メタデータ） (2026-05-20T06:09:41Z) - Robust Spiking Neural Networks Against Adversarial Attacks [49.08210314590693]
スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューロモルフィックコンピューティングにおいて有望なパラダイムである。
本研究では, 閾値近傍のスパイクニューロンが直接訓練されたSNNの堅牢性を制限する重要な要因であることを理論的に実証する。
これらのニューロンは、敵の攻撃の最大電位強度の上限を設定しており、小さな障害の下では状態降下する傾向にある。
論文 参考訳（メタデータ） (2026-02-24T05:06:12Z) - Identifying and Transferring Reasoning-Critical Neurons: Improving LLM Inference Reliability via Activation Steering [50.63386303357225]
本稿では,ニューロンの活性化に選択的に介入することで推論信頼性を向上させる軽量なテストタイムフレームワークであるAdaRASを提案する。
AdaRASは、極性を意識した平均差基準を介してReasoning-Critical Neurons(RCN)を特定し、推論中にアクティベーションを適応的に制御する。
10の数学およびコーディングベンチマークの実験では、AIME-24とAIME-25の13%以上のゲインを含む一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-01-27T17:53:01Z) - Fuzzing the brain: Automated stress testing for the safety of ML-driven neurostimulation [6.763690463901025]
機械学習モデルは、視覚補綴などの神経補綴装置で電気刺激パターンを生成するために、ますます使われている。
ML駆動神経刺激システムにおいて,安全でない刺激パターンを検出し,特徴付けるための系統的,定量的アプローチを提案する。
論文 参考訳（メタデータ） (2025-12-05T02:43:22Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Predicting Driver's Perceived Risk: a Model Based on Semi-Supervised Learning Strategy [7.227510169013427]
ドライバーの主観的リスク(DSPR)モデルは、異方性と減衰を動的に引き起こすメカニズムとして認識されるリスクについて提案される。
20人の参加者がドライバー・イン・ザ・ループ実験のために採用され、様々な自動走行シナリオを経験する際に、リアルタイムの主観的リスクレーティング(SRR)を報告します。
DSPRは3つの最先端リスクモデルと比較して、SRRの予測において87.91%の予測精度を達成している。
論文 参考訳（メタデータ） (2025-04-17T05:50:33Z) - Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。
本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。
その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
論文 参考訳（メタデータ） (2024-11-25T10:51:40Z) - Fixed Inter-Neuron Covariability Induces Adversarial Robustness [26.878913741674058]
敵対的摂動の脆弱性はディープニューラルネットワーク(DNN)の重大な欠陥である
我々は,各ニューロンが固定された,しかし学習された共変性パターンに従うように,活性化が互いに一致したニューロンからなる自己持続活性化層を開発した。
SCA層を持つモデルは高い精度を達成し、対向的な摂動データでトレーニングされることなく、最先端のAuto-PGD攻撃に対して多層パーセプトロンモデルよりもはるかに堅牢性を示した。
論文 参考訳（メタデータ） (2023-08-07T23:46:14Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z)
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。