論文の概要: Do Not Forget the Obvious - RISC: A Risk-Informed Slice-Coverage Protocol for Safe Autonomous Driving

• arxiv url: http://arxiv.org/abs/2608.12051v1
• Date: Wed, 12 Aug 2026 13:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.593199
• Title: Do Not Forget the Obvious - RISC: A Risk-Informed Slice-Coverage Protocol for Safe Autonomous Driving
• Title（参考訳）: RISC:安全運転のためのリスクインフォームスライス管理プロトコル
• Abstract要約: RISC (Risk-Informed Slice Coverage) はリスク誘導型ストレステストとカバレッジ品質評価のための実用的なプロトコルである。 我々は、Zenseact Openデータセットから1000フレームを用いて、単眼歩行知覚のためのプロトコルをインスタンス化する。 この概念実証研究では、リスク誘導選択は、ランダムサンプリング下の34.0%から98.5%に臨界障害発見を増大させる。
• 参考スコア（独自算出の注目度）: 1.7138957697358534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aggregate metrics may not fully reflect performance in insufficiently examined high-risk driving conditions. We propose RISC (Risk-Informed Slice Coverage), a practical protocol for risk-guided stress testing and coverage-qualified evaluation. Risk-guided stress testing directs a finite audit budget toward risk-relevant sub-datasets, called risk slices, while coverage-qualified evaluation reports results together with explicit statements about which slices are sufficiently or insufficiently covered. The protocol translates safety concerns into machine-readable risk slices, uses lightweight signals to tag candidate data, selects a compact audit set by risk, and qualifies the results using coverage evidence. An LLM can optionally support this process by surfacing relevant but potentially overlooked conditions during test planning, thereby helping engineers not to forget the obvious. RISC is model-agnostic and can be applied to perception modules, driving models, and other autonomous-driving subsystems. We instantiate the protocol for monocular pedestrian perception using 1,000 frames from the Zenseact Open Dataset, image statistics, and a YOLO-based detector proxy. In this proof-of-concept study, risk-guided selection increases critical failure discovery from 34.0% under random sampling to 98.5%. RISC provides a lightweight, assurance-oriented evaluation layer that complements scenario categorization, coverage assessment, and broader testing-and-verification workflows.
• Abstract（参考訳）: 集約指標は、十分に検査された高リスク運転条件における性能を十分に反映していない可能性がある。 リスク誘導型ストレステストとカバレッジ品質評価のための実践的プロトコルRISC(Risk-Informed Slice Coverage)を提案する。 リスク誘導ストレステストは、リスクスライスと呼ばれるリスク関連サブデータセットに対する有限監査予算を指示する一方、カバレッジ資格評価レポートは、スライスが不十分であるか、あるいは不十分であるかを明確に記述する。 このプロトコルは、安全上の懸念を機械可読リスクスライスに翻訳し、軽量信号を使用して候補データにタグ付けし、リスクによって設定されたコンパクトな監査を選択し、カバレッジエビデンスを用いて結果を判断する。 LLMは、テスト計画中に関連性はあるが見落とされがちな条件を推測することで、このプロセスを任意にサポートできるため、エンジニアは明らかなことを忘れないようにできる。 RISCはモデルに依存しず、知覚モジュール、駆動モデル、その他の自律走行サブシステムに適用することができる。 我々は、Zenseact Open Datasetの1000フレーム、画像統計、YOLOベースの検出器プロキシを用いて、単眼歩行知覚のためのプロトコルをインスタンス化する。 この概念実証研究では、リスク誘導選択は、ランダムサンプリング下で34.0%から98.5%に臨界障害発見を増大させる。 RISCは、シナリオ分類、カバレッジ評価、より広範なテストと検証のワークフローを補完する、軽量で保証指向の評価層を提供する。

関連論文リスト

• EGAMA-RC: Risk-Calibrated Evidence-Gated Adaptive Malware Analysis for Robust and Interpretable Memory-Forensic Triage [0.0]
  EGAMA-RCはメモリフォレンジックマルウェアのトリアージのためのエビデンスゲートフレームワークである。 データセット固有の洗練、モデルプール評価、逆行テストとオープンファミリーテスト、新規性スコアリング、説明条件付きエビデンス、実行時対応ルーティングを組み合わせたものだ。
  論文  参考訳（メタデータ） (2026-08-24T02:13:55Z)
• Comparison-Based Ordinal Learning for Proactive Driving Risk Assessment [18.28137177820341]
  本稿では,データ駆動における相互監督から衝突関連リスクスコアを学習する,比較に基づく順序性リスク学習フレームワークを提案する。 その結果,提案フレームワークは,ハイリコールリスク識別,警告精度,および代表的代理ベースラインに対するリードタイムを向上することがわかった。
  論文  参考訳（メタデータ） (2026-07-13T06:05:17Z)
• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
  部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。 安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-14T01:23:09Z)
• Risk-Consistent Multiclass Learning from Random Label-Subset Membership Queries [23.692455958661668]
  本稿では,ランダムラベルサブセットクエリに基づくマルチクラスラーニングフレームワークを提案する。 我々は、経験的リスク最小化(ERM)フレームワークの下で、目標リスクの偏りのない推定器を導出する。 負の経験的リスクとそれに伴うオーバーフィッティング問題に対処するために,非負および絶対値の補正に基づく修正されたリスク推定器を導入する。
  論文  参考訳（メタデータ） (2026-05-08T08:05:02Z)
• Uncertainty-Aware Vision-based Risk Object Identification via Conformal Risk Tube Prediction [7.840136094141999]
  既存のアプローチは意思決定を行い、不確実性を無視します。 これらの課題にもかかわらず、現在の手法には、空間と時間にわたって共同でリスクの不確実性をモデル化する原則的な枠組みが欠如している。 本稿では, リスクの原則的不確実性を把握し, 真のリスクに対するカバレッジ保証を提供し, 不確実性を考慮した校正リスクスコアを生成するコンフォーマルリスク予測統一定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-25T04:13:42Z)
• Prediction-Powered Risk Monitoring of Deployed Models for Detecting Harmful Distribution Shifts [51.37000123503367]
  予測駆動型リスクモニタリング(PPRM)を提案する。 PPRMは、合成ラベルを真のラベルの小さなセットと組み合わせることで、ランニングリスクの任意の有意な下界を構築する。 本稿では,画像分類,大規模言語モデル(LLM),通信監視タスクの広範な実験を通じて,PPRMの有効性を実証する。
  論文  参考訳（メタデータ） (2026-02-02T15:32:14Z)
• DeepKnown-Guard: A Proprietary Model-Based Safety Response Framework for AI Agents [12.054307827384415]
  大きな言語モデル(LLM)はますます顕著になり、重要なドメインへの信頼性の高いデプロイメントを厳しく制限しています。 本稿では,LLMを入力レベルと出力レベルの両方で保護する新しい安全応答フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T03:04:35Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Verification-Guided Falsification for Safe RL via Explainable Abstraction and Risk-Aware Exploration [8.246285288584625]
  本稿では、説明可能性、モデルチェック、リスク誘導のファルシフィケーションを統合し、厳密性とカバレッジを両立させるハイブリッドフレームワークを提案する。 我々のアプローチは、包括的抽象ポリシー要約(CAPS)を用いたRLポリシーの人間解釈可能な抽象化の構築から始まる。 違反が検出されない場合、オフラインデータセットの抽象化とカバレッジに制限があるため、満足度を結論付けることはできません。
  論文  参考訳（メタデータ） (2025-06-04T00:54:01Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)

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。