Fugu-MT 論文翻訳(概要): CARA: Concept-Aware Risk Attention for Interpretable Collision Anticipation

論文の概要: CARA: Concept-Aware Risk Attention for Interpretable Collision Anticipation

arxiv url: http://arxiv.org/abs/2607.22494v1
Date: Fri, 24 Jul 2026 17:06:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.192326
Title: CARA: Concept-Aware Risk Attention for Interpretable Collision Anticipation
Title（参考訳）: CARA: 解釈可能な衝突予測のための概念的リスクアテンション
Abstract要約: 我々は,衝突予測のための本質的に解釈可能な動的フレームワークであるCARA(Concept-Aware Attention Attention)を提案する。セマンティック・リスク・ファクターを、補助的なポストホックな説明よりもダイナミックな中間的証拠として扱うことで、CARAはプロセスと解釈可能性を持つ。
参考スコア（独自算出の注目度）: 4.201387349435027
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Collision anticipation in autonomous driving requires not only accurate early warnings but also interpretable reasoning about what risk factors are being tracked and how risk evolves over time. Existing methods fall short in this regard: feature-driven models are opaque, post-hoc explanations often lack fidelity, and concept-based methods are mostly designed for static recognition rather than dynamic driving scenes. We propose CARA (Concept-Aware Risk Attention), an intrinsically interpretable spatio-temporal framework for collision anticipation. CARA derives domain-grounded risk concepts from accident narratives, aligns them with video frames via vision-language similarity, and organizes them into evolving concept trajectories. These trajectories provide explicit risk evidence that guides spatial attention, temporal attention, and anticipation, allowing semantic concepts to directly influence both where the model attends and how it predicts risk over time. By treating semantic risk factors as dynamic intermediate evidence rather than auxiliary post-hoc explanations, CARA tightly couples interpretability with the predictive process. Extensive experiments on three benchmarks show that CARA consistently improves anticipation accuracy and warning earliness over strong baselines, while providing sparse and semantically grounded concept evidence.
Abstract（参考訳）: 自動運転における衝突予測には、正確な早期警告だけでなく、どのようなリスク要因が追跡されているのか、そして時間が経つにつれてどのようにリスクが進化するかを解釈可能な推論が必要である。機能駆動モデルは不透明であり、ポストホックな説明はしばしば忠実さを欠いている。衝突予測のための時間的時間的枠組みであるCARA(Concept-Aware Risk Attention)を提案する。 CARAは、事故の物語からドメイン地上のリスク概念を導き、視覚言語による類似性を通じてビデオフレームと整列させ、それらを進化する概念軌道に整理する。これらの軌道は、空間的注意、時間的注意、予測を導く明確なリスク証拠を提供し、セマンティックな概念は、モデルがどこに出席するか、そしてそれが時間とともにどのようにリスクを予測するかの両方に直接影響を及ぼす。セマンティック・リスク・ファクターを、補助的なポストホックな説明よりもダイナミックな中間的証拠として扱うことで、CARAは予測過程と解釈可能性の密接な結合を図った。 3つのベンチマークの大規模な実験により、CARAは予測精度を常に改善し、強い基準線上での耳線を警告すると同時に、疎密でセマンティックな根拠を持つ概念証拠を提供する。

関連論文リスト

RiskProp: Collision-Anchored Self-Supervised Risk Propagation for Early Accident Anticipation [16.390547433087185]
事故予測は、ダッシュカムビデオからの差し迫った衝突を予測し、早期警報を発生させることを目的としている。既存の手法は、手動で注釈付けされた「アノマリー・オンセット」フレームによるバイナリ・インスペクションに依存している。本稿では,早期の事故予測のための自己監督型リスク伝搬パラダイムであるリスクプロップを提案する。
論文参考訳（メタデータ） (2026-03-28T07:04:16Z)
Self-Guard: Defending Large Reasoning Models via enhanced self-reflection [54.775612141528164]
Self-Guardは、大規模推論モデルのための軽量な安全防御フレームワークである。これは認識とコンプライアンスのギャップを埋め、モデルユーティリティを損なうことなく堅牢な安全性能を達成する。セルフガードは、さまざまな未知のリスクとさまざまなモデルスケールにまたがる強力な一般化を示す。
論文参考訳（メタデータ） (2026-01-31T13:06:11Z)
Does More Inference-Time Compute Really Help Robustness? [50.47666612618054]
小規模なオープンソースモデルは、推論時間スケーリングの恩恵を受けることができることを示す。我々は、逆スケーリング法として、直感的に動機付けられ、実証的に検証された重要なセキュリティリスクを特定します。私たちは、セキュリティに敏感で現実世界のアプリケーションに推論タイムのスケーリングを適用する前に、実践者にこれらの微妙なトレードオフを慎重に検討するよう促します。
論文参考訳（メタデータ） (2025-07-21T18:08:38Z)
STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving [0.968535561940627]
本稿では,リスクポテンシャル場を組み込んだ新しい空間的・時間的リスク回避軌道予測フレームワークを提案する。提案するフレームワークは、解釈可能でリスク対応の予測を提供し、自律運転システムに対するより堅牢な意思決定に寄与する。
論文参考訳（メタデータ） (2025-07-11T13:05:35Z)
PRIMEDrive-CoT: A Precognitive Chain-of-Thought Framework for Uncertainty-Aware Object Interaction in Driving Scene Scenario [1.1142444517901016]
PRIMEDrive-CoTは、駆動シナリオにおけるオブジェクトインタラクションとChain-of-Thought(CoT)推論のための新しい不確実性認識モデルである。提案手法は,LiDARに基づく3Dオブジェクト検出とマルチビューRGB参照を組み合わせることで,解釈可能で信頼性の高いシーン理解を実現する。
論文参考訳（メタデータ） (2025-04-08T11:06:02Z)
TRCE: Towards Reliable Malicious Concept Erasure in Text-to-Image Diffusion Models [53.937498564603054]
近年のテキスト・画像拡散モデルの進歩により、フォトリアリスティックな画像生成が可能になったが、NSFW画像のような悪意のあるコンテンツを生成するリスクもある。リスクを軽減するため,概念消去手法が研究され,モデルが特定の概念を学習しやすくする。本稿では,2段階のコンセプト消去戦略を用いて,信頼性の高い消去と知識保存の効果的なトレードオフを実現するTRCEを提案する。
論文参考訳（メタデータ） (2025-03-10T14:37:53Z)
Collision Probability Distribution Estimation via Temporal Difference Learning [0.46085106405479537]
累積衝突確率分布を推定する先駆的なフレームワークであるCollisionProを紹介する。我々は、強化学習の文脈において、我々の枠組みを定式化し、安全に配慮したエージェントの道を開く。現実的な自律運転シミュレータを用いて,本フレームワークの総合的な検討を行った。
論文参考訳（メタデータ） (2024-07-29T13:32:42Z)
Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文参考訳（メタデータ） (2022-12-19T11:43:02Z)
AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文参考訳（メタデータ） (2022-09-19T03:34:59Z)
DRIVE: Deep Reinforced Accident Anticipation with Visual Explanation [36.350348194248014]
交通事故予測は、ダッシュカムビデオから将来の事故の発生を正確にかつ迅速に予測することを目的としている。既存のアプローチは通常、将来の事故が起こる前に、空間的および時間的文脈の手がかりを捉えることに重点を置いている。本稿では, DRIVE という視覚表現を用いた深部強化型事故予測手法を提案する。
論文参考訳（メタデータ） (2021-07-21T16:33:21Z)
Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文参考訳（メタデータ） (2021-03-26T02:42:33Z)

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。