实例级安全感知的合成数据保真度及其校准
软件工程
2025-04-16 v2 人工智能
机器学习
摘要
建模和校准合成数据的保真度对于塑造安全可靠自动驾驶技术的未来至关重要，因为它为真实世界数据收集提供了一种经济高效且可扩展的替代方案。我们聚焦于其在安全关键应用中的作用，引入了四种超越单纯视觉输入特征的实例级保真度类型。其目的是确保在合成数据上应用测试能够揭示真实世界的安全问题，并且当在合成数据下测试未发现安全关键问题时，能够为真实世界行为提供强有力的安全保证。我们提出了一种优化方法来精炼合成数据生成器，减少由深度学习组件识别的保真度差距。实验表明，这种调优增强了合成数据与真实数据中安全关键错误之间的相关性。
引用
@article{arxiv.2402.07031,
title = {Instance-Level Safety-Aware Fidelity of Synthetic Data and Its Calibration},
author = {Chih-Hong Cheng and Paul Stöckel and Xingyu Zhao},
journal= {arXiv preprint arXiv:2402.07031},
year = {2025}
}