論文の概要: Evidence of Absence: Cross-Modal Abductive Risk Perception to Sustain World Models When Vision Fails

• arxiv url: http://arxiv.org/abs/2608.14952v1
• Date: Sat, 15 Aug 2026 00:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.135442
• Title: Evidence of Absence: Cross-Modal Abductive Risk Perception to Sustain World Models When Vision Fails
• Title（参考訳）: 存在のエビデンス:ビジョンが失敗したときの持続的世界モデルに対するクロスモーダル・アブダクティブ・リスク知覚
• Abstract要約: 構造化された世界状態は、知覚が劣化するときに予測クリティカルな内容を保存するように設計されている。 我々は、想定された共証拠の欠如を隠れた原因の証拠として扱うことにより、相補的なモダリティから世界モデルを維持する方法について論じる。 マイクロホンアレイフロントエンドは、エンジンおよびタイヤ源の軸受を推定し、接近速度証拠を抽出する。
• 参考スコア（独自算出の注目度）: 11.206758778146282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A structured world-state (entities, relations, context, and predictive cues) is designed to preserve prediction-critical content when perception degrades, but it presumes observations to populate it; when the primary visual modality is occluded or degraded, those observations may be missing. We address how to sustain the world model from a complementary modality by treating the absence of expected co-evidence as evidence of a hidden cause. The abductive framework is modality-agnostic; this article instantiates it acoustically. A microphone-array front-end estimates the bearing of engine and tire sources and extracts approach-rate evidence (Doppler when a stable tone exists, a broadband looming readout otherwise); the event "signature present, visual co-evidence absent" then triggers abductive inference of a hidden road user, emitting a calibrated risk advisory rather than a control command. Recoverability of the hidden state is analyzed as an identifiability question separating shared from modality-unique information, and cueing is cast as Neyman-Pearson detection under an explicit false-alarm budget. On real occluded-approach recordings at blind junctions, the method warns a mean 1.7 seconds before line-of-sight entry, matches the sustained-window variant of the published acoustic baseline's detection rate with 42% fewer false alarms, localizes to 3.4 degrees median once in view, is well calibrated (expected calibration error 0.034), and keeps hazard awareness above 0.87 under staged vision degradation that collapses a vision-only channel to 0.03. We also measure the method's limits: calibration transfers to an unseen junction almost losslessly, the signature classifier does not, and moving-ego noise is the binding deployment constraint.
• Abstract（参考訳）: 構造化された世界状態(エンティティ、関係、文脈、予測的手がかり)は、知覚が劣化するときに予測クリティカルな内容を保存するように設計されているが、それは観測結果が大衆化されることを前提としている。 我々は、想定された共証拠の欠如を隠れた原因の証拠として扱うことにより、相補的なモダリティから世界モデルを維持する方法について論じる。 帰納的枠組みはモダリティに依存しないものであり、この記事ではそれを音響的にインスタンス化する。 マイクロホンアレイフロントエンドは、エンジンとタイヤのソースのベアリングを推定し、接近速度の証拠を抽出する(安定したトーンが存在する場合のドップラー、ブロードバンドを略奪する読み出し)。 隠蔽状態の復元性は、モダリティ・ユニク情報から分離された識別可能性質問として分析され、明確な偽警報予算の下で、Neyman-Pearson検出としてキューがキャストされる。 ブラインド・ジャンクションにおける実際の遮蔽記録では、ライン・オブ・ザ・エントリーの1.7秒前の平均を警告し、公表された音響ベースラインの検出レートの持続風変化を42%減らし、視界中央の3.4度にローカライズし、よく校正され(予測校正誤差0.034)、視力のみのチャンネルが0.03に崩壊するステージド・ヴィジュアライゼーション(英語版)の下でのハザード意識を維持する。 キャリブレーションは未確認のジャンクションにほとんどロスレスで転送され、シグネチャ分類器は行わず、移動エゴノイズは結合配置制約である。

関連論文リスト

• PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
  PerceptionRubricsはルーブリックベースの評価フレームワークである。 飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
  論文  参考訳（メタデータ） (2026-06-26T17:59:15Z)
• Conformal calibration and look-elsewhere effect in anomaly detection for new-physics searches [0.0]
  機械学習による異常検出は、新しい物理学の探索を再構築している。 本稿では,共形予測に基づく校正層を提案する。
  論文  参考訳（メタデータ） (2026-06-11T18:00:02Z)
• Detecting Is Not Resolving: The Monitoring Control Gap in Retrieval Augmented LLMs [20.59321114618083]
  単一ターン診断はRAGの安全性を体系的に過大評価し、矛盾は安全な解決法とは無関係であり、普遍的な即時修正は存在しないことを示した。 モデルが認識するものと何をするかのギャップは、検索強化されたシステムが高レベルな設定で信頼される前に測定され、クローズされなければならない。
  論文  参考訳（メタデータ） (2026-05-26T15:18:43Z)
• Silent Collapse in Recursive Learning Systems [24.578102943388256]
  トラジェクトリ統計をモニタし、遅い時間スケールの信頼変数を推定する軽量なメタ認知ループを提案する。 MTRは早期警告を提供し、実際のデータにアクセスすることなくサイレント崩壊を積極的に防止する。
  論文  参考訳（メタデータ） (2026-05-14T08:59:26Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Diagnosing Non-Markovian Observations in Reinforcement Learning via Prediction-Based Violation Scoring [0.0]
  強化学習アルゴリズムは、観測がマルコフの性質を満たすと仮定する。 実世界のセンサーは、相関ノイズ、遅延、または部分的な可観測性を通じて、この仮定にしばしば違反する。 本稿では,観測軌道における非マルコフ構造を定量化する予測に基づくスコアリング手法を提案する。
  論文  参考訳（メタデータ） (2026-03-28T19:42:27Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• TRIAGE: Type-Routed Interventions via Aleatoric-Epistemic Gated Estimation in Robotic Manipulation and Adaptive Perception -- Don't Treat All Uncertainty the Same [2.755751829139168]
  ほとんどの不確実性を認識したロボットシステムは、予測の不確実性を単一のスカラースコアに分解し、それを使って一様に修正された応答をトリガーする。 このアグリゲーションは、破損した観測結果から不確実性が生じるか、あるいは学習されたモデルと真のシステム力学とのミスマッチから生じるのかを曖昧にしている。 本研究では,不確かさを動脈およびてんかん成分に分解する軽量なポストホックフレームワークを導入し,これらの信号を用いて推論時のシステム応答を調節する。
  論文  参考訳（メタデータ） (2026-03-09T09:07:43Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)

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。