論文の概要: Scaling Learning-based AEB with Massive Unlabeled Data

• arxiv url: http://arxiv.org/abs/2606.18864v1
• Date: Wed, 17 Jun 2026 09:44:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.094914
• Title: Scaling Learning-based AEB with Massive Unlabeled Data
• Title（参考訳）: 大規模未ラベルデータを用いた学習型AEBのスケーリング
• Authors: Xiangyu Wang, Yang Zhan, Mengxiang Hao, Chuanchuan Zhong, Yansong Jia, Junjie Zhang, Yu Han, Xin Jiang, Zhen Cao, Ying Wang, Yulun Song, Zhitao Xu,
• Abstract要約: 本稿では,生産制約下での大規模未ラベル車両データを用いて,学習に基づく自動緊急ブレーキ(AEB)のスケールアップ方法について検討する。 教師の教師による更新パスからあいまいさによるアンカーを除去するノイズ・アウェア・デカップリングによる安定化MF-SSLフレームワークを提案する。 実験では、ラベルなしのデータスケールが1Mから1Bに拡大し、安全性が向上し、安定性が保たれた。
• 参考スコア（独自算出の注目度）: 14.756082199064217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies how to scale learning-based automatic emergency braking (AEB) with massive unlabeled fleet data under production constraints. Our approach is based on meta-feedback semi-supervised learning (MF-SSL), where a teacher generates pseudo labels for unlabeled driving data and is updated using a small labeled anchor set as safety-critical feedback. In production, anchor ambiguity and labeled-unlabeled mismatch can amplify systematic pseudo-label errors, leading to spurious triggers. We propose a stabilized MF-SSL framework with (i) Noise-Aware Decoupling, which removes ambiguity-prone anchors from the teacher's supervised update path, and (ii) kinematics-gated pseudo-labeling with a teacher conflict penalty to suppress mismatch-induced risk hallucinations on unlabeled data while maintaining broad coverage. Extensive experiments show consistent gains as unlabeled data scale from 1M to 1B windows, improving safety while keeping comfort stable. The 1B-trained student model is deployed to hundreds of thousands of vehicles and validated over \$10^9$ km of driving, achieving a positive-to-false activation ratio exceeding 100:1 and a 35% improvement in accident-free driving mileage over a production rule-only baseline.
• Abstract（参考訳）: 本稿では,生産制約下での大規模未ラベル車両データを用いて,学習に基づく自動緊急ブレーキ(AEB)のスケールアップ方法について検討する。 提案手法はメタフィードバック半教師付き学習(MF-SSL)に基づいており、教師はラベル付き運転データに対して擬似ラベルを生成し、安全クリティカルなフィードバックとして小さなラベル付きアンカーセットを用いて更新する。 プロダクションでは、アンカーの曖昧さとラベル付きラベルなしのミスマッチは、システマティックな擬似ラベルエラーを増幅し、刺激的なトリガを引き起こす。 安定化MF-SSLフレームワークを提案する。 一 教師の監督された更新パスからあいまいな原因となるアンカーを除去するノイズ対応デカップリング (II) ミスマッチによる無ラベルデータに対するリスク幻覚を抑制するために, 教師の相反するペナルティを伴うキネマティクスの擬似ラベル化を行った。 大規模な実験では、ラベルなしのデータスケールが1Mから1Bに拡大し、安全性が向上し、安定性が保たれた。 1B訓練された学生モデルは、数十万台の車両に配備され、10^9$ kmの運転で実証され、100:1を超える正対偽のアクティベーション比と、生産ルールのみのベースラインよりも事故のない運転距離が35%向上した。

関連論文リスト

• LFreeDA: Label-Free Drift Adaptation for Windows Malware Detection [9.054165392355877]
  本稿では,マルウェア分類器を手動ラベリングやドリフト検出なしでドリフトに適応させるエンド・ツー・エンドのフレームワークであるLFreeDAを紹介する。 LFreeDAはまず、マルウェア画像の教師なし領域適応を行い、ラベル付きサンプルとラベルなしサンプルを共同でトレーニングし、擬似ラベルとプルーネノイズを推測する。 評価の結果、LFreeDAは非適応下限よりも最大で12.6%、F1は11.1%の精度向上を示し、それぞれ、完全に監督された上限の精度とF1の3.4%以下である。
  論文  参考訳（メタデータ） (2025-11-18T23:08:26Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Boosting Semi-Supervised Learning by bridging high and low-confidence predictions [4.18804572788063]
  Pseudo-labelingは半教師あり学習(SSL)において重要な技術である ReFixMatchと呼ばれる新しい手法を提案し、これはトレーニング中にラベルなしのデータをすべて活用することを目的としている。
  論文  参考訳（メタデータ） (2023-08-15T00:27:18Z)
• Training image classifiers using Semi-Weak Label Data [26.04162590798731]
  多重インスタンス学習(MIL)では、弱ラベルがバッグレベルで提供され、存在/存在情報のみが知られる。 本稿では,この問題を軽減するため,新たな半弱ラベル学習パラダイムを提案する。 半弱ラベルから学習する問題に対処する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-19T03:06:07Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
  半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。 既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。 本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T03:54:11Z)

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。