并非所有综合数据都是平等的：专家委员会对自动驾驶系统中不平衡碰撞伤害严重程度预测的审计筛选

自动驾驶系统（ADS）越来越多地在公共道路上运行，引发了安全问题，但可靠地预测碰撞伤害严重程度仍然很困难，因为碰撞报告有限，严重后果很少见，而且伤害类别高度不平衡。现有的增强方法主要增加少数类样本量，但很少评估生成的样本对于安全关键预测是否可信。本研究提出了专家委员会审计筛选（ECAS），这是一种可信度感知的样本接受框架，用于数据不平衡情况下的 ADS 碰撞伤害严重程度预测。 ECAS 审计使用国家公路交通安全管理局常务指令记录中的 1,477 起事故级 ADS 事故，通过纯真实数据专家委员会根据标签支持、边界分离、委员会协议和当地合理性生成少数样本。类内百分位归一化和帕累托非支配排序选择可接受的样本，无需手动分配证据权重。通过结合归一化流增强和表格先验数据拟合网络 (TabPFN) 分类器的固定骨干网，最佳 ECAS 配置在所有证据配置中实现了最高的平衡精度、宏 F1 和轻伤召回。当地邻域分析表明，ECAS 接受的样本比未经筛选的保留样本更能得到附近真实少数事故的支持。沙普利附加解释和部分依赖图进一步表明，较低的伤害严重程度等级主要与碰撞对应物和碰撞前的运动有关，而中度以上伤害对张贴的速度限制和操作环境更敏感。这些发现支持 ADS 安全预测和风险治理从以数量为导向的增强转向可信度感知的样本接受。