儿童居家安全评估改看攀爬链：模拟房间上排序相关达0.986，换到教室25个标签就到0.947
核心概要
儿童受伤常来自物体之间的关系，比如窗下沙发旁的椅子。AuroraNet把房间场景转成按年龄缩放的攀爬图，沿儿童可攀爬的物体序列计算加权期望伤害，并从场景级标签学习15个边参数。在模拟房间上，它与梯度提升的排序相关为0.986，分层内为0.878对0.798；全部证据来自仿真。
深度剖析
儿童居家风险评估的对象从单件家具换成儿童能连续攀爬的物体序列，输出按严重程度加权的期望伤害。 此前的做法把风险当作单件物体或整幅场景的属性来打分，而这里要判断的是椅子挨着沙发、沙发又在窗下这类物体间关系。 在模拟房间上，该推理器与梯度提升的排序相关为0.986，在分层内为0.878对0.798，但在函数形式不匹配时这一优势反转。
实现上先把房间度量场景转成按年龄缩放的攀爬图，再在图上沿边累计伤害。 可学习版本只从场景级标签拟合15个边参数，不需要逐条危险链的人工标注。 评测覆盖10个种子各1000间模拟住宅，另加600间更密集住宅做协变量偏移测试，以及5个种子各1000间模拟幼儿园教室。
单目与飞行时间深度融合用来恢复尺度并传播不确定性，反事实排序则给出家具挪位的优先次序。 没有真实尺度，攀爬高度和窗台高度就无法比较，伤害概率也就无从计算。 迁移到教室场景时，用25个标签达到0.947；图神经网络在600个标签时排序更好，但要达到同等水平需要八倍标签。
启示与展望
评估对象是模拟住宅与模拟幼儿园教室的房间布局，伤害标签来自对攀爬儿童的蒙特卡洛模拟，其中窗台坠落与书架或储物塔倾倒按给定权重合成。适用读者是做场景理解、家庭机器人与儿童安全评估的研究者与工程师，使用方式是按种子划分训练与测试房间后比较排序相关。源文本未提出下一步实验计划。
全部证据基于仿真，源文本明确说明没有人类受试者数据。与梯度提升的优势在函数形式不匹配时会反转，图神经网络在标签充足时排序更好但需八倍标签才能追平。教室迁移结果同样来自模拟教室。