論文の概要: Asleep at the Wheel: JEPA's Limitations in Evaluating Novel Driving Data

• arxiv url: http://arxiv.org/abs/2608.01336v1
• Date: Sun, 02 Aug 2026 15:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.168149
• Title: Asleep at the Wheel: JEPA's Limitations in Evaluating Novel Driving Data
• Title（参考訳）: 車輪での睡眠:JEPAによる新しい運転データ評価の限界
• Abstract要約: 本稿では、自己監督型共同埋め込み予測アーキテクチャ(JEPA)の予測エラー「ノベルティ」により、クリップをスコアするラベルフリーなアプローチを提案する。 単一のデータセットから得られた公正なベンチマークでは、このメカニズムは偶然に崩壊し、単純なトレーニングなしのベースラインと同等です。 本稿では,自己教師付き学習の有効性を評価するための研究として,クロスデータセットプロトコルが新規性よりもドメイン分離に静かに報いることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern autonomous-driving fleets record far more video than human reviewers can inspect. This motivates the need for an automatic clip triage mechanism, to surface rare and review-worthy clips, so that driving models can be fine-tuned to better handle unideal circumstances. We test a label-free approach that scores clips by the prediction-error "novelty" of a self-supervised joint-embedding predictive architecture (JEPA); a frozen V-JEPA video encoder is paired with a lightweight predictor head to reconstruct masked clip embeddings, and clips whose embeddings are hard to predict are flagged as interesting. Evaluated under a realistic protocol that trains on one dataset and tests against footage from others, this approach appears highly effective. We show that this apparent success is actually a domain-shift consequence: on a fair benchmark drawn from a single dataset, this mechanism collapses to chance and is on par with simple no-training baselines. A lightly supervised probe on the same frozen embeddings results in almost double the average precision, indicating that the bottleneck is indeed the self-supervised objective, rather than the representation. We present this as a study for evaluating the effectiveness of self-supervised learning, where cross-dataset protocols can silently reward domain separation over novelty.
• Abstract（参考訳）: 現代の自動運転車は、人間のレビュアーが検査できるよりもはるかに多くのビデオを記録している。 これにより、自動的なクリップトリアージ機構が必要となり、レアでレビューに値するクリップを表面化することで、駆動モデルを微調整して、一意的な状況に対処することが可能になる。 我々は,自己監督型共同埋め込み予測アーキテクチャ(JEPA)の「ノベルティ」の予測エラーによるクリップのスコア付けを行うラベルフリーアプローチを検証し,凍結型V-JEPAビデオエンコーダを軽量な予測器ヘッドと組み合わせてマスク付きクリップ埋め込みを再構築し,埋め込みが難しいクリップを興味深いようにフラグ付けする。 1つのデータセットでトレーニングし、他のデータセットの映像に対してテストする、現実的なプロトコルの下で評価されたこのアプローチは、非常に効果的に思える。 単一のデータセットから得られた公正なベンチマークでは、このメカニズムは偶然に崩壊し、単純なトレーニングなしのベースラインと同等です。 同じ凍結埋め込み上の軽々しく監督されたプローブは平均的な精度をほぼ2倍にし、ボトルネックが表現よりもむしろ自己監督的な目的であることを示している。 本稿では,自己教師付き学習の有効性を評価するための研究として,クロスデータセットプロトコルが新規性よりもドメイン分離に静かに報いることを示す。

関連論文リスト

• Impression Share Prediction: An Offline Evaluation Task for Ranking Systems [2.455009405787869]
  本稿では,オフライン評価タスクとして,共感共有予測を提案する。 候補者はライブトラフィックを提供していないので、このタスクは本質的に非現実的です。 本研究では,素早い相互作用の信頼信号から印象共有を予測する統計的学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-08-17T17:52:55Z)
• Self-Supervised Uncalibrated Multi-View Video Anonymization in the Operating Room [11.757426920071175]
  全身人物検出と全身ポーズ推定からなる新しい多視点ビデオ匿名化フレームワークを提案する。 我々の中核となる戦略は、時間的・多視点コンテキストを用いて偽陰性を取り出すことにより、単一視点検出器を強化することである。 模擬手術の4D-ORデータセットと実手術のデータセットを用いて実験したところ,97%以上のリコールが達成された。
  論文  参考訳（メタデータ） (2026-02-02T21:54:57Z)
• Gradient Structure Estimation under Label-Only Oracles via Spectral Sensitivity [37.729118253160145]
  我々は,既存の手動攻撃の幅広い範囲を,真の損失勾配の兆候を暗黙的に近似するものとして解釈できることを示す統一理論的な視点を開発する。 この第一原理の理解に動機づけられた我々は、ゼロクエリの周波数領域初期化とパターン駆動最適化(PDO)戦略を組み合わせた新たな攻撃フレームワークを提案する。 我々は、CIFAR-10、ImageNet、ObjectNetに関する広範な実験を通じて、我々のフレームワークを実証的に検証し、標準および敵対的に訓練されたモデル、商用API、CLIPベースのモデルをカバーする。
  論文  参考訳（メタデータ） (2026-01-17T02:47:47Z)
• EMPERROR: A Flexible Generative Perception Error Model for Probing Self-Driving Planners [27.813716878034374]
  本稿では, EMPERRORを提案する。 我々は、現在の検出器を以前の研究よりも忠実に模倣していることを示します。 現実的な入力を生成し、プランナーの衝突率を最大85%向上させることができる。
  論文  参考訳（メタデータ） (2024-11-12T11:24:18Z)
• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• How JEPA Avoids Noisy Features: The Implicit Bias of Deep Linear Self Distillation Networks [14.338754598043968]
  データ表現の自己教師型学習には2つの競合パラダイムが存在する。 JEPA(Joint Embedding Predictive Architecture)は、意味的に類似した入力が互いに予測可能な表現に符号化されるアーキテクチャのクラスである。
  論文  参考訳（メタデータ） (2024-07-03T19:43:12Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Uncertainty-Aware Weakly Supervised Action Detection from Untrimmed Videos [82.02074241700728]
  本稿では,ビデオフレームラベルのみを用いてトレーニングした,禁止レベルの行動認識モデルを提案する。 人1人当たりの手法は、複数のインスタンス学習フレームワーク内の大規模な画像データセットで訓練されている。 標準的な多重インスタンス学習の仮定では、各バッグには、指定されたラベルを持つ少なくとも1つのインスタンスが含まれているという仮定が無効である場合、どのようにメソッドを適用するかを示す。
  論文  参考訳（メタデータ） (2020-07-21T10:45:05Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)

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。