論文の概要: Combining Hierarchical Cognitive Process with Process Supervision for Interpretable Scene Safety Understanding

• arxiv url: http://arxiv.org/abs/2609.26399v1
• Date: Tue, 22 Sep 2026 13:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.392541
• Title: Combining Hierarchical Cognitive Process with Process Supervision for Interpretable Scene Safety Understanding
• Title（参考訳）: 階層的認知プロセスとプロセススーパービジョンの併用による情景安全理解
• Abstract要約: 現場の安全理解は、様々な重要な領域における状況認識において、命と死の役割を担っている。 シーンと安全レベルの直接的なマッピングを学習することに依存する伝統的な手法は、しばしば解釈可能性に欠ける。 本研究は,シーンセーフティ認知プロセスモデリングとプロセス監視を統合する効果的な方法を探究する。
• 参考スコア（独自算出の注目度）: 12.588751145634104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scene safety understanding plays a life-or-death role in situational awareness in various critical domains. Traditional methods that rely on learning direct mappings between scenes and safety levels often lack interpretability, limiting their reliability in critical applications. An effective approach to overcoming this challenge lies in interpreting human cognitive processes and equipping machine models with analogous cognitive capabilities. This work explores an effective way of integrating scene safety cognitive process modeling and process supervision. Specifically, we first construct a hierarchical cognitive safety structure, which motivates the development of a novel, high-quality scene safety understanding dataset based on multi-step reasoning with process labels. This dataset serves both as a benchmark and a resource to improve the safety reasoning capabilities of Large Language Models (LLMs), while also enabling a granular analysis of intermediate reasoning steps through information flow and saliency-based techniques. Building upon this foundation, we introduce a modular and flexible process supervision framework that reflects the hierarchical nature of human cognition. This framework leverages LLMs as the core architecture and incorporates Low-Rank Adaptation(LoRA) and Mixture-of-Experts (MoE) strategies to enable specialization and collaboration among expert modules, each tasked with specific sub-processes of the overall reasoning chain. Systematic experimental evaluations and analyses confirm that our framework exhibits superior interpretability and performance characteristics compared to traditional approaches.
• Abstract（参考訳）: 現場の安全理解は、様々な重要な領域における状況認識において、命と死の役割を担っている。 シーンと安全レベルの直接的なマッピングを学習する伝統的な手法は、しばしば解釈可能性に欠け、重要なアプリケーションにおける信頼性を制限している。 この課題を克服するための効果的なアプローチは、人間の認知過程を解釈し、類似の認知能力を持つマシンモデルを装備することである。 本研究は,シーンセーフティ認知プロセスモデリングとプロセス監視を統合する効果的な方法を探究する。 具体的には、まず階層的な認知安全構造を構築し、プロセスラベルを用いた多段階推論に基づく、高品質なシーン安全理解データセットの開発を動機づける。 このデータセットは、LLM(Large Language Models)の安全性推論機能を改善するためのベンチマークとリソースの両方として機能し、情報フローと唾液度に基づく技術による中間推論ステップの詳細な分析を可能にする。 この基盤を基盤として,人間の認知の階層的な性質を反映したモジュール型で柔軟なプロセス監視フレームワークを導入する。 このフレームワークはLLMをコアアーキテクチャとして活用し、Low-Rank Adaptation(LoRA)とMixture-of-Experts(MoE)戦略を取り入れ、専門家モジュール間の特殊化と協調を可能にする。 システム実験による評価と分析により,従来の手法と比較して,本フレームワークが優れた解釈性および性能特性を示すことを確認した。

関連論文リスト

• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• From Perception to Cognition: A Survey of Vision-Language Interactive Reasoning in Multimodal Large Language Models [66.36007274540113]
  MLLM(Multimodal Large Language Models)は、物理的世界に対する深い人間的な理解と相互作用を達成するための試みである。 情報取得(知覚)や推論(認知)を行う際、しばしば浅く不整合な統合を示す。 この調査では、新しい統合分析フレームワーク「知覚から認知へ」を紹介した。
  論文  参考訳（メタデータ） (2025-09-29T18:25:40Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Review of Case-Based Reasoning for LLM Agents: Theoretical Foundations, Architectural Components, and Cognitive Integration [0.0]
  ケースベース推論(CBR)は、過去の経験を参照することによって、新しい問題を解決する戦略である。 本稿では、過去の経験を参照して新しい問題を解決する戦略であるケースベース推論(CBR)を大規模言語モデルに組み込む方法について考察する。
  論文  参考訳（メタデータ） (2025-04-09T14:51:02Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Hierarchical Decision Making Based on Structural Information Principles [19.82391136775341]
  本稿では,階層的意思決定のための構造情報原則に基づく新しいフレームワーク,すなわちSIDMを提案する。 本稿では,過去の状態-行動軌跡を処理し,状態と行動の抽象表現を構築する抽象化機構を提案する。 単エージェントシナリオのためのスキルベース学習手法と,多エージェントシナリオのためのロールベースの協調手法を開発し,そのどちらも,パフォーマンス向上のために様々な基礎アルゴリズムを柔軟に統合することができる。
  論文  参考訳（メタデータ） (2024-04-15T13:02:00Z)

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。