論文の概要: Toward Auditable and Calibrated AI for Dementia-Related Crash Severity Prediction: A Selective Deferral Framework to Support Human Review
- arxiv url: http://arxiv.org/abs/2609.22694v1
- Date: Sat, 19 Sep 2026 02:05:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.89073
- Title: Toward Auditable and Calibrated AI for Dementia-Related Crash Severity Prediction: A Selective Deferral Framework to Support Human Review
- Title（参考訳）: 認知症関連クラッシュ重症度予測のためのAIの可聴・校正に向けて:ヒューマンレビューを支援する選択的デフレラルフレームワーク
- Abstract要約: 本研究は,認知症関連事故モデリングを三重項問題として再検討する。
システムは、事故を無傷・重傷(O)、軽傷・中傷(BC)、致命傷・重傷(KA)に分類しなければならない。
この研究は、クラッシュAIシステムのための再現性、漏洩制御、不確実性を考慮した評価フレームワークに貢献している。
- 参考スコア（独自算出の注目度）: 0.9694940903078657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Public crash databases increasingly support automated safety analysis, but crash severity prediction remains difficult to translate into public-sector decision workflows when models are evaluated primarily as ordinary classifiers. This study reframes dementia-related crash severity modeling as a decision-aware triage problem in which a system must classify crashes into no-injury/property-damage-only (O), minor or moderate injury (BC), and fatal or severe injury (KA), while also controlling outcome leakage, reporting severe under-triage, calibrating confidence, and preserving every raw prediction for audit. Using 4,781 Texas crash records with structured fields and police narratives, we evaluate structured, narrative, fusion, calibrated fusion, BERT-family, and local large-language-model baselines under a stratified 70/15/15 split. In the reported split, leakage-controlled Gemma obtains the highest observed macro-F1 (0.545; 95% bootstrap CI [0.507, 0.583]). The best calibrated fusion model obtains macro-F1 of 0.522 and expected calibration error of 0.033. Selective deferral improves performance among cases retained for automatic classification. At 70% coverage, macro-F1 rises to 0.573 and severity cost falls to 0.577, while deferred cases are treated as candidates for a proposed human-review process and are not further evaluated in the present experiment. The study contributes a reproducible, leakage-controlled, and uncertainty-aware evaluation framework for crash AI systems, emphasizing auditability and selective deferral rather than accuracy alone.
- Abstract（参考訳）: パブリッククラッシュデータベースは、自動化された安全分析をますますサポートしているが、モデルが主に通常の分類器として評価される場合、クラッシュの重大度予測は、パブリックセクタ決定ワークフローに変換することが困難である。
本研究は、認知症関連事故重大度モデリングを、システムが事故を無傷・重傷・軽傷・軽傷・軽傷・重傷・重傷に分類し、結果漏洩を制御し、重度下降を報告し、信頼度を調整し、監査の生の予測を全て保存しなければならない決定的三重度問題として再編成する。
テキサス州の4,781件の事故記録を構造化フィールドと警察の物語を用いて, 階層化された70/15/15分割の下で, 構造化された, 物語, 融合, 校正された融合, BERTファミリー, および局所的な大言語モデルベースラインを評価した。
報告された分割では、リーク制御されたGemmaは最も観測されたマクロF1(0.545;95%ブートストラップCI [0.507, 0.583])を得る。
最適校正核融合モデルでは0.522のマクロF1と0.033のキャリブレーション誤差が得られる。
選択的脱フェラルは、自動分類のために保持された症例のうち、パフォーマンスを向上させる。
70%のカバレッジでマクロF1は0.573に上昇し,重度コストは0.577に低下する。
この研究は、AIシステムに対する再現性、漏洩制御、不確実性を考慮した評価フレームワークに貢献し、精度のみではなく、監査可能性と選択的推論を強調している。
関連論文リスト
- Target leakage, not model class, explains reported accuracy in survey-based cardiovascular screening: a leakage-tiered audit of glass-box and tabular foundation models [0.0]
スクリーニングモデルは、レシーバー操作特性曲線(AUROC)の領域を0.89付近で定期的に報告する。
心臓梗塞に対するリニア,ツリーアンサンブル,ニューラル,ガラスボックス,タブ状ファンデーションにまたがる10種類の分類器をベンチマークした。
診断後の2つの特徴を取り除いたため、全てのモデル 0.049-0.051 AUROC はフィールドを0.0045幅のバンドに崩壊させた。
ある閾値では、男性の89.0%に対して女性の脳梗塞の75.4%が検出され、モデルの形状機能の編集により、ギャップは0.010に縮小された。
論文 参考訳（メタデータ） (2026-09-10T17:29:15Z) - Fault Detection and Explainable Classification in Automotive HIL Validation via Denoising Autoencoders and In-Context Large Language Models [1.9435397960631864]
機械学習とディープラーニングは高度な故障診断を持っているが、ほとんどの教師付きモデルは大きなラベル付きデータセットを必要とする。
実時間検証における故障検出と分類のための汎用的で説明可能な2相フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-04T06:43:43Z) - Calibration, Uncertainty Communication, and Deployment Readiness in CKD Risk Prediction: A Framework Evaluation Study [0.0]
慢性腎臓病の機械学習モデルは、しばしば内部テストセットに強い差別的スコアを与える。
UCI CKDデータセット(400例,62.5%)を用いた5つの分類器の訓練を行った。
キャリブレーション品質,コンフォーマルな予測カバレッジ,8基準の展開準備フレームワークについて検討した。
論文 参考訳（メタデータ） (2026-05-20T17:12:48Z) - Causal-Audit: A Framework for Risk Assessment of Assumption Violations in Time-Series Causal Discovery [1.7192141121569653]
Causal-Auditは、仮定検証をキャリブレートされたリスクアセスメントとして形式化するフレームワークである。
このフレームワークは、5つの仮定ファミリにまたがるエフェクトサイズの診断を計算する。
証拠が信頼できる推論をサポートする場合にのみメソッドを推奨する、控え目な決定ポリシーを適用する。
論文 参考訳（メタデータ） (2026-04-02T19:43:57Z) - Uncertainty-Aware Mapping from 3D Keypoints to Anatomical Landmarks for Markerless Biomechanics [39.155383773210836]
マーカーレスバイオメカニクスは、ますますビデオから抽出された3D骨格キーポイントに依存している。
本研究では,3Dポーズキーポイントを3D解剖学的ランドマークにマッピングするための信頼度尺度として,予測の不確実性について検討する。
論文 参考訳（メタデータ） (2026-03-27T09:42:23Z) - Reasoning-Enhanced Rare-Event Prediction with Balanced Outcome Correction [45.88028371034407]
本稿では,予測のためのLPCORP(Low-Prevalence CORrector for Prediction)*を提案する。
医療・消費者サービス分野における実世界のデータセット上でLPCORPを評価する。
論文 参考訳（メタデータ） (2026-01-23T02:34:29Z) - Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。
本稿では,ロバストネスアライメントスコア(RAS)を提案する。
論文 参考訳（メタデータ） (2025-11-24T12:07:56Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。
主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。
主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
論文 参考訳（メタデータ） (2025-08-15T14:31:26Z) - RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。
我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。
提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
論文 参考訳（メタデータ） (2024-05-02T16:17:29Z) - 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。