論文の概要: Not All Synthetic Data Are Equal: Expert-Committee Audit Screening for Imbalanced Crash-Injury-Severity Prediction in Automated Driving Systems

• arxiv url: http://arxiv.org/abs/2609.29687v1
• Date: Sun, 30 Aug 2026 22:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.108425
• Title: Not All Synthetic Data Are Equal: Expert-Committee Audit Screening for Imbalanced Crash-Injury-Severity Prediction in Automated Driving Systems
• Title（参考訳）: 全合成データが等しくはない:自動運転システムにおける不均衡クラッシュ損傷度予測のためのエキスパート・コミッテ・オーディット・スクリーニング
• Abstract要約: 本研究では,ADS事故の重症度予測のための信頼性に配慮したサンプル受け入れフレームワークであるエキスパート・コミッティー・オーディット・スクリーニング(ECAS)を提案する。 ECAS監査は、ラベルサポート、境界分離、委員会合意、および現地の可否に基づく、実際のデータのみの専門家委員会を通じてマイノリティサンプルを生成した。 ECASが承認したサンプルは、スクリーンなしの残留サンプルよりも、近くで発生した真のマイノリティの衝突によって支持された。
• 参考スコア（独自算出の注目度）: 9.199654155508766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated driving systems (ADSs) are increasingly operating on public roads, raising safety concerns, yet reliable prediction of crash injury severity remains difficult because crash reports are limited, severe outcomes are rare, and injury classes are highly imbalanced. Existing augmentation methods mainly increase minority-class sample size but rarely assess whether generated samples are credible for safety-critical prediction. This study proposes Expert-Committee Audit Screening (ECAS), a credibility-aware sample acceptance framework for ADS crash injury severity prediction under data imbalance. Using 1,477 incident-level ADS crashes from the National Highway Traffic Safety Administration Standing General Order records, ECAS audits generated minority samples through a real-data-only expert committee based on label support, boundary separation, committee agreement, and local plausibility. Within-class percentile normalization and Pareto non-dominated sorting select accepted samples without manually assigned evidence weights. With a fixed backbone combining normalizing flow augmentation and a Tabular Prior-data Fitted Network (TabPFN) classifier, the best ECAS configuration achieved the highest balanced accuracy, macro-F1, and minor-injury recall among all evidence configurations. Local neighborhood analysis showed that ECAS-accepted samples were better supported by nearby real minority crashes than unscreened retained samples. Shapley additive explanations and partial dependence plots further indicated that lower injury severity classes were mainly associated with crash counterpart and pre-crash movement, whereas moderate-plus injuries were more sensitive to posted speed limit and operating context. These findings support a shift from quantity-oriented augmentation to credibility-aware sample acceptance for ADS safety prediction and risk governance.
• Abstract（参考訳）: 自動運転システム(ADS)は公道上での運転が増加しており、安全上の懸念が高まるが、事故報告が限られており、重大な結果が稀であり、けがクラスが高度に不均衡であることから、事故の重大さの確実な予測は難しいままである。 既存の増設法は, 主に少数クラスのサンプルサイズを増大させるが, 生成したサンプルが安全クリティカルな予測に信頼性があるかどうかを評価することは滅多にない。 本研究では,データ不均衡下でのADS事故重大度予測のための信頼性に配慮したサンプル受け入れフレームワークであるExpert-Committee Audit Screening (ECAS)を提案する。 国家道路交通安全局の事故レベルADSの1,477件の事故事故記録を用いて、ECAS監査は、ラベルのサポート、境界分離、委員会合意、および地元の可否性に基づく、実際のデータのみの専門家委員会を通じてマイノリティサンプルを作成した。 クラス内のパーセンタイル正規化とパレート非支配的なソートは、手動でエビデンス重みを割り当てることなく、受け入れられたサンプルを選択する。 正規化フロー拡張とTabular Prior-data Fitted Network (TabPFN)分類器を組み合わせた固定バックボーンにより、最高のECAS構成は、すべてのエビデンス構成の中で最も高いバランスの取れた精度、マクロF1、マイナー障害リコールを達成した。 地域の分析では、ECASが受け入れたサンプルは、スクリーンなしの残留サンプルよりも近くの真のマイノリティの衝突によって支持された。 シェープな付加的な説明と部分的依存プロットは、より低い損傷の重度クラスが主にクラッシュと前クラッシュ運動に関連していることを示し、一方中程度の負傷はポストされた速度制限や運用状況に対してより敏感であった。 これらの知見は,ADSの安全性予測とリスクガバナンスのための,量指向の強化から信頼性を考慮したサンプル受け入れへの移行を支持する。

関連論文リスト

• Avoiding Structural Failure Modes in Tabular Fair SSL: Online Primal-Dual Allocation under Confidence Gating [5.890873839907491]
  半教師付き学習(SSL)は、限られたラベルで予測できるが、高い精度のアプリケーション(医療、信用、復習)は統計的公正性を保証する必要がある。 オンラインプライマル・デュアル・アロケーション (OPDA) は, 不正, リスク, 疑似ラベルの健康信号を用いて, 公平性とエントロピーに基づく安定性の罰則をスケジュールするオンラインコントローラである。
  論文  参考訳（メタデータ） (2026-05-15T01:43:32Z)
• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring [5.582427141367205]
  U-Balanceは、行動の不確実性を利用して、安全予測器をトレーニングする前に不均衡なデータセットを再バランスする教師付きアプローチである。 U-Balanceを46:1の安全/安全比を持つ大規模UAVベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:02Z)
• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• 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)
• Decision-Aware Trust Signal Alignment for SOC Alert Triage [0.0]
  本稿では,SOC警告トリアージの信頼信号対応方式を提案する。 このフレームワークは、調整済みの信頼性、軽量不確実性、そしてコストに敏感な決定しきい値をコヒーレントな決定支持層に組み合わせている。 信頼度が不一致な表示によって偽陰性が大幅に増幅されるのに対し、コスト重み付き損失は決定整合信頼信号を持つモデル間での桁違いに減少することを示す。
  論文  参考訳（メタデータ） (2026-01-08T01:41:54Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• 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)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)

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。