論文の概要: Who to Trust in Multi-Robot Systems: Joint Robot and Object Hypothesis Trust Inference via Neural-Symbolic Cross-Validation
- arxiv url: http://arxiv.org/abs/2610.14530v1
- Date: Sat, 10 Oct 2026 03:41:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.06245
- Title: Who to Trust in Multi-Robot Systems: Joint Robot and Object Hypothesis Trust Inference via Neural-Symbolic Cross-Validation
- Title（参考訳）: マルチロボットシステムへの信頼:ニューラル・シンボリック・クロスバリデーションによる共同ロボットとオブジェクト仮説信頼推論
- Abstract要約: NeST-Bayesはロボットと仮説の信頼をロボット間の観察一貫性のみで推論するニューラルネットワークのシンボリックフレームワークである。
すべてのベンチマーク設定で、平均オブジェクトの精度とロボットのリコールを達成する。
- 参考スコア（独自算出の注目度）: 11.849973265211252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-robot systems (MRS) offer significant advantages over single-robot platforms by enabling information sharing and coordination for different tasks in complex environments. However, reliable cooperation critically depends on inferring trust over both information sources and their reported hypotheses, particularly under partial observability and potential adversarial interference. Existing approaches frequently depend on pre-established trust relationships or side-channel information, which may not be available or reliable in realistic MRS deployments. This work introduces NeST-Bayes, a neural-symbolic framework that jointly infers robot and hypothesis trust using only inter-robot observation consistency, without requiring preassigned robot trust, reputation information, or side-channel identity signals. NeST-Bayes infers instantaneous trust evidence scores for robots and object hypotheses by reasoning over ego-centric relational graphs constructed from cross-robot observation consistency. These evidence scores are accumulated over time through Bayesian updates of Beta-distributed trust beliefs to maintain temporally consistent trust estimates. Extensive evaluations show that NeST-Bayes achieves the highest mean object precision and robot recall across all benchmark settings, and the highest robot precision and object recall in most settings, compared to trust-based methods. Under aggressive optimized attacks, it achieves 98.8\% robot precision with 93.8\% recall and 98.3\% object precision with 95.4\% recall. In an occlusion-rich Webots warehouse, it maintains 92.5\% robot precision with 92.0\% recall and 97.3\% object precision with 85.0\% recall. These results demonstrate joint improvements in the reliability and coverage of retained information.
- Abstract（参考訳）: マルチロボットシステム(MRS)は、複雑な環境における様々なタスクの情報共有と調整を可能にすることで、シングルロボットプラットフォームに対して大きな利点をもたらす。
しかし、信頼性の高い協力は、情報源とその報告された仮説、特に部分観測可能性と潜在的な敵対的干渉の下での信頼の推測に大きく依存する。
既存のアプローチは、しばしば確立された信頼関係や、現実的なMSSデプロイメントでは利用できない、あるいは信頼性のないサイドチャネル情報に依存する。
この研究はNeST-Bayesというニューラルシンボリックなフレームワークを導入し、ロボット間の観察一貫性だけでロボットと仮説の信頼を推論する。
NeST-Bayesは、ロボットと物体の仮説に対する即時信頼の証拠を、ロボット間の観察一貫性から構築されたエゴ中心関係グラフの推論によって推測する。
これらのエビデンススコアは、周期的に一貫した信頼推定を維持するためにベータ分散信頼信念のベイズ的更新を通じて、時間とともに蓄積される。
総合評価の結果、NeST-Bayesは全てのベンチマーク設定において平均的オブジェクト精度とロボットリコールを最高に達成し、信頼に基づく手法と比較して、ほとんどの設定においてロボット精度とオブジェクトリコールを最高に達成している。
攻撃的に最適化された攻撃では、98.8\%のロボット精度、93.8\%のリコール、98.3\%のオブジェクト精度、95.4\%のリコールを達成する。
オクルージョンに富んだウェポッツ倉庫では、92.5\%のロボット精度、92.0\%のリコール、97.3\%のオブジェクト精度、85.0\%のリコールを維持している。
これらの結果は,保持情報の信頼性とカバレッジを両立させたものである。
関連論文リスト
- RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。
本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。
ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
論文 参考訳（メタデータ） (2026-08-13T09:55:59Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - When Can We Trust Deep Neural Networks? Towards Reliable Industrial Deployment with an Interpretability Guide [6.944960925152066]
安全クリティカルなドメインへのAIシステムのデプロイは、信頼性の欠如によって妨げられている。
誤検出された1つの誤った予測は破滅的な結果をもたらす可能性がある。
本稿では,2値欠陥検出ネットワークにおける偽陰性検出のためのポストホックな説明に基づくインジケータを提案する。
論文 参考訳（メタデータ） (2026-04-21T08:10:41Z) - FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。
現在の最先端のボット検出モデルは、主に独立して開発されている。
クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
論文 参考訳（メタデータ） (2026-04-12T15:13:41Z) - Agent-Based Simulation of Trust Development in Human-Robot Teams: An Empirically-Validated Framework [0.0]
NetLogo 6.4.0で実装されたこのモデルは、複雑さの異なるタスクを実行する2--10エージェントのチームをシミュレートする。
信頼非対称性比は0.07から0.55の範囲で、メタ分析の1.50よりも低い。
オープンソース実装は、デプロイ前にオーバートラストとアントラスト条件を特定するエビデンスベースのツールを提供する。
論文 参考訳（メタデータ） (2026-03-01T17:05:28Z) - PaTAS: A Parallel System for Trust Propagation in Neural Networks Using Subjective Logic [1.8485970721272895]
本稿では,ニューラルネットワークの信頼をモデル化し,伝播するフレームワークであるPaTASを紹介する。
実世界および敵対的データセットの実験は、PaTASが解釈可能、対称性、収束信頼推定を生成することを示した。
論文 参考訳（メタデータ） (2025-11-25T18:15:36Z) - UncTrack: Reliable Visual Object Tracking with Uncertainty-Aware Prototype Memory Network [75.9933952886197]
UncTrackは、標的位置の不確実性を予測する新しい不確実性対応トランスフォーマーである。
本手法は実験における他の最先端手法よりも優れる。
論文 参考訳（メタデータ） (2025-03-17T07:33:16Z) - Uncertainty Aware Human-machine Collaboration in Camouflaged Object Detection [12.2304109417748]
信頼できるCODシステムの開発に向けた重要なステップは、不確実性の推定と有効利用である。
本研究では,カモフラージュされた物体の存在を分類するための人間と機械の協調フレームワークを提案する。
提案手法は,CVモデル予測の不確実性を推定するための多視点バックボーンを導入し,この不確実性を利用して効率を向上し,信頼性の低いケースを人体評価に適用する。
論文 参考訳（メタデータ） (2025-02-12T13:05:24Z) - 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) - Modelling Adversarial Noise for Adversarial Defense [96.56200586800219]
敵の防御は、通常、敵の音を除去したり、敵の頑強な目標モデルを訓練するために、敵の例を活用することに焦点を当てる。
逆データと自然データの関係は、逆データからクリーンデータを推測し、最終的な正しい予測を得るのに役立ちます。
本研究では, ラベル空間の遷移関係を学習するために, 逆方向の雑音をモデル化し, 逆方向の精度を向上させることを目的とした。
論文 参考訳（メタデータ） (2021-09-21T01:13:26Z)
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。