論文の概要: Visual Tripwires: Anticipating Failure in Deep Vision Systems

• arxiv url: http://arxiv.org/abs/2609.28099v1
• Date: Wed, 23 Sep 2026 13:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.046045
• Title: Visual Tripwires: Anticipating Failure in Deep Vision Systems
• Title（参考訳）: Visual Tripwires:Deep Vision Systemsの失敗を予想する
• Abstract要約: 予測信頼性フレームワークであるVisual Tripwiresを導入し、モデル動作の時間的不安定性を利用して、差し迫った障害を予測します。 軽量のトリップワイヤ予測器は、これらの信号を時間窓に集約し、故障の確率を推定する。 実験により、提案された不安定信号は予測的劣化の前に出現し、より早くより正確な故障警告を提供することが示された。
• 参考スコア（独自算出の注目度）: 0.04666493857924358
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep vision systems remain vulnerable to corruption, occlusion, and distribution shift despite strong benchmark performance. Existing reliability methods typically evaluate uncertainty at individual time steps and do not explicitly model how a system progresses toward failure. We introduce Visual Tripwires, a predictive reliability framework that uses temporal instability in model behaviour to anticipate impending failure. Our central hypothesis is that predictive degradation develops progressively through measurable changes in latent representations, prediction trajectories, and attention structure. Visual Tripwires captures these changes using representation drift, prediction oscillation, trajectory curvature, and attention entropy. A lightweight tripwire predictor aggregates these signals over a temporal window to estimate the probability of failure within a future prediction horizon. Experiments across multiple datasets, architectures, and progressive perturbation settings show that the proposed instability signals emerge before predictive degradation and provide earlier and more accurate failure warnings than conventional uncertainty estimation methods. These results demonstrate that temporal instability contains useful information about future model reliability and provides a practical basis for early warning in deep vision systems.
• Abstract（参考訳）: ディープビジョンシステムは、強力なベンチマークパフォーマンスにもかかわらず、汚職、隠蔽、分散シフトに弱いままである。 既存の信頼性メソッドは通常、個々の時間ステップにおける不確実性を評価し、システムが障害に向かってどのように進むかを明示的にモデル化しない。 予測信頼性フレームワークであるVisual Tripwiresを導入し、モデル動作の時間的不安定性を利用して、差し迫った障害を予測します。 我々の中心的な仮説は、潜在表現、予測軌道、注意構造における測定可能な変化を通じて、予測的劣化が徐々に進行するということである。 視覚的トリップワイヤは、これらの変化を表現のドリフト、予測振動、軌道曲率、注意エントロピーを用いて捉えている。 軽量トリップワイヤ予測器は、これらの信号を時間窓に集約し、将来の予測地平線内の故障確率を推定する。 複数のデータセット、アーキテクチャ、進行的摂動設定にわたる実験により、提案された不安定信号が予測的劣化の前に出現し、従来の不確実性推定法よりも早く、より正確な故障警告を提供することが示された。 これらの結果は、時間的不安定性は将来のモデルの信頼性に関する有用な情報を含み、ディープビジョンシステムにおける早期警告の実践的基盤を提供することを示している。

関連論文リスト

• Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting [15.993594186846826]
  実世界の時系列は、しばしばセンサーの休眠、送信遅延、イベント駆動サンプリングのために、非常に不完全で不規則である。 タイムフライ(Timeflies)は、将来の観測可能性推定と価値推定の連立問題として予測を再構築する統合されたフレームワークである。
  論文  参考訳（メタデータ） (2026-06-11T16:59:42Z)
• Latent Dynamics-Aware OOD Monitoring for Trajectory Prediction with Provable Guarantees [8.920589816043298]
  安全クリティカルなサイバー物理システムでは、正確な軌道予測が下流の計画と制御に不可欠なガイダンスを提供する。 このようなOODイベントの検出は、トラフィック条件の進化とインタラクションパターンの変化によって困難である。 我々は,変化後分布の明示的な知識を必要とせずに,累積最大離散性アプローチを拡張して検出を可能にする。 3つの実世界の運転データセットの実験では、重み付きエラーや未知のポストチェンジ条件に対する検出遅延と堅牢性の低減が示されている。
  論文  参考訳（メタデータ） (2026-03-15T20:56:57Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• Towards Reliable Time Series Forecasting under Future Uncertainty: Ambiguity and Novelty Rejection Mechanisms [36.83718113051274]
  あいまいさと新規性拒絶を組み合わせた二重拒絶機構を導入する。 曖昧さの拒絶は、履歴的な誤差分散分析によって評価される、信頼度が低いモデルを棄却することを可能にする。 変分オートコーダとマハラノビス距離を用いたノベルティ拒絶は、トレーニングデータからの偏差を検出する。
  論文  参考訳（メタデータ） (2025-03-25T13:44:29Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)

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。