論文の概要: GAFT: Geo-Anchored Fine-Tuning for Hazard Identification from Rare Failures

• arxiv url: http://arxiv.org/abs/2608.30858v1
• Date: Mon, 31 Aug 2026 14:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.44206
• Title: GAFT: Geo-Anchored Fine-Tuning for Hazard Identification from Rare Failures
• Title（参考訳）: GAFT:レア障害からの危険識別のためのジオアンコールファインチューニング
• Abstract要約: オフロードナビゲーションは、物理的構造が高センタリングやエントラップメントのような発見不可能な状態を引き起こすと失敗することがある。 我々は,視基盤モデルに幾何由来の先行モデルを適用するパラメータ効率の高い手法である textbfGeo-Anchored Fine-Tuning (GAFT) を提案する。 介入検証されたハザードベンチマークでは、独立に訓練された10の適応において、GAFTは凍ったDINOv2と監督されたPEFTベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 4.434520724004293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Off-road navigation can fail when physical structures induce irrecoverable states such as high-centering or entrapment, requiring human interventions. Identifying these structures is crucial, yet challenging. Such failure events are rare and costly to collect, resulting in limited training data. Moreover, the collected data associate frames with outcomes, but do not indicate the visual cues responsible for the failure. Learning directly from these data can therefore exploit scenario-specific visual cues, leading to poor generalization. We propose \textbf{Geo-Anchored Fine-Tuning (GAFT)}, a parameter-efficient method that adapts a vision foundation model with a geometry-derived prior. It guides LoRA adaptation by aligning a spatial attention-rollout map with the geometry prior, while preserving pretrained representations. On an intervention-verified forest hazard benchmark, across ten independently trained adaptations, GAFT consistently outperforms frozen DINOv2 and supervised PEFT baselines, improving the repeated leave-one-scenario-out mean $F_2$ from 0.0607 to 0.3757 with statistical significance under paired analysis. Within these independently trained models, the best-performing GAFT model achieves a repeated-LOSO $F_2$ of 0.570. Code and benchmark: https://github.com/Xu-Yanran/geo_anchored_fine_tuning
• Abstract（参考訳）: オフロードナビゲーションは、物理的構造が高中心性や包絡性などの発見不可能な状態を誘発し、人間の介入を必要とする場合に失敗する。 これらの構造を特定することは重要だが、難しい。 このような障害イベントはまれで、収集にコストがかかるため、トレーニングデータに制限がある。 さらに、収集されたデータは結果とフレームを関連付けるが、失敗の原因となる視覚的手がかりは示さない。 これらのデータから直接学習することで、シナリオ固有の視覚的手がかりを活用でき、一般化が不十分になる。 本稿では,幾何から導かれる事前の視覚基盤モデルに適応するパラメータ効率の高い手法である \textbf{Geo-Anchored Fine-Tuning (GAFT) を提案する。 空間的アテンションロールアウトマップを事前の幾何学と整列させ、事前訓練された表現を保存することでLoRA適応を導出する。 介入検証森林ハザードベンチマークでは、独立に訓練された10の適応において、GAFTは凍ったDINOv2を一貫して上回り、PEFTベースラインを監督し、ペア分析で統計的に意味のある0.0607ドルから0.3757ドルまで、繰り返し休息1日平均のF_2$を改善した。 これらの独立に訓練されたモデルの中で、最高のパフォーマンスのGAFTモデルは繰り返しLOSO$F_2$ 0.570を達成する。 コードとベンチマーク:https://github.com/Xu-Yanran/geo_anchored_fine_tuning

関連論文リスト

• Rethinking One-Shot Federated Graph Learning: Training-Free Statistical Estimation [12.66442044096499]
  ワンショットフェデレーショングラフ学習は一般的に、単一の通信ラウンドで非接続のサブグラフを持つクライアント間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。 極度の非IID条件下では、局所的なGNN訓練は、厳しい横断的表現の不一致に悩まされる。 本研究では,局所グラフからトポロジー平滑なクラスプロトタイプを直接計算する学習自由フレームワークSPEARを提案する。
  論文  参考訳（メタデータ） (2026-09-05T15:55:22Z)
• GESR: Graph-Based Edge Semantic Reconstruction for Stealthy Communication Detection with Benign-Only Training [9.096014691070193]
  本稿では,不審な通信や異常なホストを検出するためのグラフベースの新しいフレームワークであるGESRについて述べる。 エッジセマンティクスを、孤立した特徴ではなく、局所的な構造的コンテキストから完全に再構築する。 両方の評価されたベンチマークで、既存のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-08T10:11:15Z)
• Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
  教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
  論文  参考訳（メタデータ） (2025-12-19T11:37:02Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Explainable Human-in-the-Loop Segmentation via Critic Feedback Signals [0.20999222360659608]
  セグメント化出力の人為的補正による介入学習を可能にする,ループ内対話型フレームワークを提案する。 筆者らのフレームワークは,挑戦的な立方体データに対して最大9mIoUポイントのセグメンテーション精度を向上させることを実証している。 この研究は、精度が高く、データセットバイアスに頑健で、データ効率が良く、都市気候モニタリングや自動運転といった現実世界の領域に適応可能なセグメンテーションシステムを構築するための、研究者や実践者のための実践的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-11T01:16:41Z)
• Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
  Time Series Imputationは、時間データの欠落した値を復元することを目的としている。 既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。 我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:24:44Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Typicalness-Aware Learning for Failure Detection [26.23185979968123]
  ディープニューラルネットワーク(DNN)は、しばしば自信過剰な問題に悩まされる。 そこで本研究では,本問題に対処し,故障検出性能を向上させるために,S typicalness-Aware Learning (TAL) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T11:09:47Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
  特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。 これにより、ランドマークの種類は両方のソースから観測できなければならない。 車両軌道推定のための動的重み付き因子グラフモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-13T12:44:14Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。