CPSの安全監視のための不確実性誘導ラベル再バランシング
arXiv cs.LG / 2026/3/27
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、サイバーフィジカルシステム（CPS）における安全監視で生じる極端なクラス不均衡に取り組む。ここでは危険イベントがまれであり、標準的な再バランシング手法が時系列テレメトリデータではうまく機能しない。
- 本稿ではU-Balanceを提案する。まず、テレメトリのウィンドウ上でGatedMLPベースの不確実性予測器を学習し、安全アウトカムに結び付いた行動不確実性スコアを算出する。
- 次にU-Balanceは、不確実性に誘導されたラベル再バランシング（uLNR）戦略を用いる。高い不確実性を持つ安全なウィンドウを確率的に危険として再ラベル付けすることで、合成データを生成することなく、有益な境界サンプルを強化する。
- 46:1という安全対危険の比率を持つ大規模UAVベンチマークでの実験により、行動不確実性が安全性と相関すること、そしてuLNRが他の不確実性融合アプローチよりも有効であることが示される。
- U-Balanceは0.806のF1スコアを達成し、最良のベースラインを14.3パーセンテージポイント上回る。さらに推論効率を競争的な水準に保ち、アブレーション結果によって不確実性予測とuLNRの両方が貢献していることが確認される。
