論文の概要: EG-ARSA: An Expert-Grounded Open Model for Visual Road Safety Auditing in Low-Resource Settings
- arxiv url: http://arxiv.org/abs/2608.23563v1
- Date: Mon, 24 Aug 2026 17:58:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.231436
- Title: EG-ARSA: An Expert-Grounded Open Model for Visual Road Safety Auditing in Low-Resource Settings
- Title（参考訳）: EG-ARSA:低リソース環境での視覚的道路安全監査のためのエキスパートによるオープンモデル
- Abstract要約: 低所得国や中所得国では、道路交通の損傷が大きな課題となっている。
本稿では,施設の道路安全に関する専門知識を,スケーラブルな視覚的道路安全監査のためのコンパクトな視覚言語モデルに変換するためのエキスパート・グラウンド蒸留(EGD)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Road traffic injuries remain a major challenge in low- and middle-income countries, where proactive road safety auditing is limited by incomplete crash records, shortages of qualified auditors, and the high cost of large-scale field inspections. To address this problem, we propose Expert-Grounded Distillation (EGD), a novel artificial intelligence framework that transfers institutional road safety expertise into a compact vision-language model for scalable visual road safety auditing. The key innovation is a quantified expert-grounding stage in which the teacher vision-language model is calibrated against authoritative field audits. Large-scale annotation is permitted only after the teacher reaches substantial agreement with expert risk assessments (Cohen's kappa = 0.74). The calibrated teacher then generates structured supervision that is distilled into an 8-billion-parameter student vision-language model using Low-Rank Adaptation and a single leakage-free prompt. We also introduce Bangladesh Road Safety Audit (BD-ARSA), the first open, expert-grounded Bangladeshi visual road safety audit dataset containing 21,947 image-audit records with near-national coverage, and Expert-Grounded Road Safety Auditor (EG-ARSA), the first vision-language model developed specifically for this task. Experimental results show that grounded fine-tuning substantially improves ordinal risk assessment over the zero-shot baseline, while blind expert evaluation demonstrates that the compact student outperforms both its 31 billion-parameter teacher and Gemini-2.5-Flash. These findings demonstrate that EGD provides an effective and scalable engineering solution for proactive road safety auditing in resource-constrained environments.
- Abstract（参考訳）: 低所得国や中所得国では、不完全な事故記録、適格監査員の不足、大規模フィールド検査の高コストによる積極的道路安全監査が制限されているため、道路交通の損傷は依然として大きな課題である。
この問題を解決するために,施設の道路安全に関する知識を,スケーラブルな視覚的道路安全監査のためのコンパクトな視覚言語モデルに伝達する,新しい人工知能フレームワークであるExpert-Grounded Distillation (EGD)を提案する。
鍵となる革新は、教師ビジョン言語モデルが権威的フィールド監査に対して校正される、定量化されたエキスパートグラウンドのステージである。
大規模なアノテーションは、教師が専門家のリスク評価(コーエンのカッパ=0.74)と実質的な合意に達した後にのみ許可される。
校正された教師は、低ランク適応と1つのリークフリープロンプトを用いて、8ビリオンの学生視覚言語モデルに蒸留された構造化された監督を生成する。
バングラデシュ道路安全監査(BD-ARSA)についても紹介する。バングラデシュ道路安全監査(BD-ARSA)は、バングラデシュ初のオープンかつ専門家による視覚的道路安全監査データセットであり、21,947枚の画像監査記録と、このタスクのために開発された最初の視覚言語モデルであるEG-ARSA(Expert-Grounded Road Safety Auditor)を紹介する。
実験結果から, ゼロショットベースラインに対する微調整による日常的リスク評価が著しく向上し, ブラインド専門家による評価では, コンパクトな生徒は31億パラメータの教師とジェミニ2.5-Flashの両方よりも優れていた。
これらの結果から,EGDは資源制約環境下での積極的道路安全監査に有効でスケーラブルなエンジニアリングソリューションを提供することが示された。
関連論文リスト
- TSHA: A Benchmark for Visual Language Models in Trustworthy Safety Hazard Assessment Scenarios [44.39592692705693]
TSHA (textbfTrustworthy textbfSafety textbfHazards textbfAssessment) は、81,809個のトレーニングサンプルを慎重にキュレートした総合ベンチマークである。
このベンチマークセットには、複雑な安全シナリオにおけるモデルの堅牢性を評価するために使用される、1707のサンプルによる非常に難しいテストセットも含まれている。
TSHAトレーニングセットでトレーニングされたモデルは、TSHAテストセットで+18.3ポイントの大幅なパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2026-03-31T14:00:10Z) - Safe Reinforcement Learning with Preference-based Constraint Inference [28.363990267209584]
安全RLにおける制約推論のための規範に基づく制約付き強化学習(PbCRL)を提案する。
PbCRLは真の安全要件との整合性を向上し、安全性と報酬の点で最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-03-24T08:54:03Z) - SafeRBench: A Comprehensive Benchmark for Safety Assessment in Large Reasoning Models [60.8821834954637]
LRMの安全性をエンドツーエンドに評価する最初のベンチマークであるSafeRBenchを紹介する。
私たちは、リスクカテゴリとレベルを入力設計に組み込んだ先駆者です。
我々は,長い推論トレースを意味的に一貫性のある単位にセグメント化するためのマイクロシンクのチャンキング機構を導入する。
論文 参考訳（メタデータ） (2025-11-19T06:46:33Z) - 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) - Anchoring Refusal Direction: Mitigating Safety Risks in Tuning via Projection Constraint [52.878820730054365]
インストラクションファインチューニング(IFT)は,大規模言語モデル(LLM)の能力向上のための効果的なポストトレーニング戦略として広く採用されている。
LLMの内部機構に関する最近の研究は、隠蔽状態における拒絶方向(r方向)を同定し、拒絶行動の制御において重要な役割を担っている。
このようなドリフトを緩和するため,提案手法では,各トレーニングサンプルの隠れ状態のr方向への投射の大きさを規則化する投射制約損失項を導入する。
論文 参考訳（メタデータ） (2025-09-08T15:24:33Z) - Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。
既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。
本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-22T08:34:35Z) - Rethinking Bottlenecks in Safety Fine-Tuning of Vision Language Models [25.606641582511106]
モデル性能を向上させるために,マルチイメージ入力と安全チェーン・オブ・ソート(CoT)ラベルを微粒な推論ロジックとして統合する新しいデータセットを提案する。
実験の結果,MISを用いた微調整InternVL2.5-8Bは,マルチイメージタスクに挑戦する上で,強力なオープンソースモデルとAPIベースモデルの両方を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-01-30T17:59:45Z) - OpenAI o1 System Card [274.83891368890977]
o1モデルシリーズは、思考の連鎖を用いて推論するために大規模な強化学習で訓練されている。
本報告では,OpenAI o1およびOpenAI o1-miniモデルに対して実施される安全作業の概要について述べる。
論文 参考訳（メタデータ） (2024-12-21T18:04:31Z) - Probabilistic Counterexample Guidance for Safer Reinforcement Learning
(Extended Version) [1.279257604152629]
セーフサーベイは、安全クリティカルなシナリオにおける強化学習(RL)の限界に対処することを目的としている。
外部知識を取り入れたり、センサデータを使って安全でない状態の探索を制限する方法はいくつか存在する。
本稿では,安全要件の反例によるトレーニングを指導することで,安全な探査の課題をターゲットにする。
論文 参考訳（メタデータ） (2023-07-10T22:28:33Z) - Learning Barrier Certificates: Towards Safe Reinforcement Learning with
Zero Training-time Violations [64.39401322671803]
本稿では、トレーニング時安全違反をゼロとした安全RLアルゴリズムの可能性について検討する。
本稿では、バリア証明書、動的モデル、ポリシーを反復的に学習する、CRABS(Co-trained Barrier Certificate for Safe RL)を提案する。
論文 参考訳（メタデータ） (2021-08-04T04:59:05Z) - Conservative Safety Critics for Exploration [120.73241848565449]
強化学習(RL)における安全な探索の課題について検討する。
我々は、批評家を通じて環境状態の保守的な安全性推定を学習する。
提案手法は,破滅的故障率を著しく低く抑えながら,競争力のあるタスク性能を実現することができることを示す。
論文 参考訳（メタデータ） (2020-10-27T17:54:25Z)
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。