SECURE：自動運転における頑健な埋め込みによる安定した早期衝突理解

arXiv cs.LG / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、主要な事故予測モデル（例：CRASH）が、現実世界の入力に対する小さな摂動によって不安定な予測および潜在表現を生成し得ることを示し、安全性が重要な自動運転システムにおける信頼性の懸念を提起している。
SECURE（Stable Early Collision Understanding Robust Embeddings）を提案し、予測空間および潜在特徴空間の両方において、一貫性と安定性を通じて頑健性を形式的に定義し、強制するフレームワークを導入している。
SECUREの学習アプローチでは、基準となるモデルをマルチ目的の損失関数で微調整し、参照モデルとの近さを保ちつつ、敵対的摂動に対する感度を抑制することを目的としている。
DADおよびCCDデータセットでの実験により、SECUREは複数の種類の摂動に対する頑健性を向上させるだけでなく、クリーンデータ上でも性能を高め、新たな最先端結果を報告している。

要旨: 深層学習は事故の予測を大きく前進させてきましたが、安全上重要なこれらのシステムが現実世界の外乱に対して持つ頑健性は、依然として大きな課題です。私たちは、CRASH のような最先端モデルが、高い性能にもかかわらず、入力にわずかな摂動が加えられるだけで予測および潜在表現において顕著な不安定性を示し、重大な信頼性リスクをもたらすことを明らかにします。これに対処するために、SECURE - Stable Early Collision Understanding Robust Embeddings（安定した早期衝突理解の頑健埋め込み）を導入します。SECURE は、モデルの頑健性を形式的に定義し、強制する枠組みです。SECURE は、予測空間と潜在特徴空間の両方における、一貫性と安定性という4つの主要な属性に基づいています。参照モデルからの乖離を最小化し、敵対的な摂動への感度を罰する、多目的損失を用いて基礎モデルを微調整するという、原理に基づいた学習手法を提案します。DAD および CCD データセットでの実験により、私たちの手法は、さまざまな外乱に対する頑健性を大幅に向上させるだけでなく、クリーンデータでの性能も改善し、新たな最先端の結果を達成することを示します。