論文の概要: Are Video Reasoning Models Ready to Go Outside?

• arxiv url: http://arxiv.org/abs/2603.10652v1
• Date: Wed, 11 Mar 2026 11:10:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.909781
• Title: Are Video Reasoning Models Ready to Go Outside?
• Title（参考訳）: ビデオ推論モデルは外へ出る準備はできているか?
• Abstract要約: ROVA(ROVA)は、モデリング汚職下での堅牢性を改善するためのトレーニングフレームワークである。 我々はまた、実世界の摂動を埋め込みビデオデータセットに注入する新しいベンチマークであるPVRBenchも導入した。 ROVAは性能劣化を効果的に軽減し、相対精度を少なくとも24%向上させ、ベースラインモデルと比較して9%以上低下させる。
• 参考スコア（独自算出の注目度）: 24.177016151528637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world deployment, vision-language models often encounter disturbances such as weather, occlusion, and camera motion. Under such conditions, their understanding and reasoning degrade substantially, revealing a gap between clean, controlled (i.e., unperturbed) evaluation settings and real-world robustness. To address this limitation, we propose ROVA, a novel training framework that improves robustness by modeling a robustness-aware consistency reward under spatio-temporal corruptions. ROVA introduces a difficulty-aware online training strategy that prioritizes informative samples based on the model's evolving capability. Specifically, it continuously re-estimates sample difficulty via self-reflective evaluation, enabling adaptive training with a robustness-aware consistency reward. We also introduce PVRBench, a new benchmark that injects real-world perturbations into embodied video datasets to assess both accuracy and reasoning quality under realistic disturbances. We evaluate ROVA and baselines on PVRBench, UrbanVideo, and VisBench, where open-source and proprietary models suffer up to 35% and 28% drops in accuracy and reasoning under realistic perturbations. ROVA effectively mitigates performance degradation, boosting relative accuracy by at least 24% and reasoning by over 9% compared with baseline models (QWen2.5/3-VL, InternVL2.5, Embodied-R). These gains transfer to clean standard benchmarks, yielding consistent improvements.
• Abstract（参考訳）: 実世界の展開において、視覚言語モデルは、しばしば天気、閉塞、カメラモーションなどの乱れに遭遇する。 このような条件下では、それらの理解と推論は大幅に低下し、クリーンで制御された(不飽和な)評価設定と現実世界の堅牢さのギャップが明らかになる。 この制限に対処するため,時空間汚職下での堅牢性を考慮した一貫性報酬をモデル化することによりロバスト性を向上させる新しいトレーニングフレームワークROVAを提案する。 ROVAは、モデルの進化する能力に基づいて情報的サンプルを優先する、難易度の高いオンライントレーニング戦略を導入している。 具体的には、自己回帰評価によってサンプルの難易度を継続的に再推定し、頑健性を考慮した適応トレーニングを可能にする。 PVRBenchは、実世界の摂動を埋め込みビデオデータセットに注入し、現実的な乱れの下での精度と推論品質の両方を評価する新しいベンチマークである。 ROVAとベースラインをPVRBench、UrbanVideo、VisBenchで評価し、オープンソースおよびプロプライエタリモデルでは、リアルな摂動下での精度と推論が最大35%、プロプライエタリモデルでは28%低下する。 ROVAは性能劣化を効果的に軽減し、相対精度を少なくとも24%引き上げ、ベースラインモデル(QWen2.5/3-VL、InternVL2.5、Embodied-R)と比較して9%以上推算する。 これらのベンチマークはクリーンな標準ベンチマークに移行し、一貫した改善をもたらす。

関連論文リスト

• Portfolio Optimization Proxies under Label Scarcity and Regime Shifts via Bayesian and Deterministic Students under Semi-Supervised Sandwich Training [0.0]
  本稿では,低データ環境と不確実性を考慮した機械学習支援ポートフォリオ最適化フレームワークを提案する。 本研究では,リスク条件値(CVaR)がスーパーバイザラベルを生成する教師学習パイプラインを構築し,ニューラルネットワークを実データと合成データの両方を用いて訓練する。 学生モデルは、いくつかの設定でCVaR教師と一致または性能を向上し、レギュラーシフトによる堅牢性の向上とターンオーバーの低減を実現している。
  論文  参考訳（メタデータ） (2026-04-04T06:42:38Z)
• What Makes VLMs Robust? Towards Reconciling Robustness and Accuracy in Vision-Language Models [64.99746027349767]
  Adversarial Robustness Adaptation (R-Adapt)は、トレーニング済みのすべての重みを凍結し、初期層のみに限って最小限の洞察駆動適応を導入するフレームワークである。 R-Adaptは、大きな視覚言語モデル(LLaVAやQwen-VLなど)に効率よく一般化し、ロバスト性を高める。
  論文  参考訳（メタデータ） (2026-03-13T09:02:11Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Reasoning Models Are More Easily Gaslighted Than You Think [85.84943447589511]
  我々はOpenAIのo4-mini、Claude-3.7-Sonnet、Gemini-2.5-Flashの3つの最先端推論モデルを評価する。 ガス灯消火プロンプトによる精度低下が認められた。 GaslightingBench-Rは、推論モデルの認識可能性を評価するために設計された新しい診断ベンチマークである。
  論文  参考訳（メタデータ） (2025-06-11T12:52:25Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• Towards a robust and reliable deep learning approach for detection of compact binary mergers in gravitational wave data [0.0]
  我々は、段階的に深層学習モデルを開発し、その堅牢性と信頼性の向上に取り組みます。 我々はGAN(Generative Adversarial Network)を含む新しいフレームワークでモデルを再訓練する。 絶対ロバスト性は事実上達成できないが、そのような訓練によって得られるいくつかの根本的な改善を実証する。
  論文  参考訳（メタデータ） (2023-06-20T18:00:05Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。