論文の概要: A Progressive Visual-Logic-Aligned Framework for Ride-Hailing Adjudication
- arxiv url: http://arxiv.org/abs/2603.17328v1
- Date: Wed, 18 Mar 2026 03:46:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.502802
- Title: A Progressive Visual-Logic-Aligned Framework for Ride-Hailing Adjudication
- Title（参考訳）: Ride-Hailing Adjudicationのためのプログレッシブなビジュアル論理型フレームワーク
- Authors: Weiming Wu, Zi-Jian Cheng, Jie Meng, Peng Zhen, Shan Huang, Qun Li, Guobin Wu, Lan-Zhe Guo,
- Abstract要約: RideJudgeは、一般的な視覚的セマンティクスと厳密な顕在的プロトコルの間のギャップを埋めるプログレッシブなビジュアル論理指向フレームワークである。
我々のフレームワークは88.41%の精度を達成し、32Bスケールのベースラインを超え、解釈可能な適応のための新しい標準を確立する。
- 参考スコア（独自算出の注目度）: 19.51385161254594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The efficient adjudication of responsibility disputes is pivotal for maintaining marketplace fairness. However, the exponential surge in ride-hailing volume renders manual review intractable, while conventional automated methods lack the reasoning transparency required for quasi-judicial decisions. Although Multimodal LLMs offer a promising paradigm, they fundamentally struggle to bridge the gap between general visual semantics and rigorous evidentiary protocols, often leading to perceptual hallucinations and logical looseness. To address these systemic misalignments, we introduce RideJudge, a Progressive Visual-Logic-Aligned Framework. Instead of relying on generic pre-training, we bridge the semantic gap via SynTraj, a synthesis engine that grounds abstract liability concepts into concrete trajectory patterns. To resolve the conflict between massive regulation volume and limited context windows, we propose an Adaptive Context Optimization strategy that distills expert knowledge, coupled with a Chain-of-Adjudication mechanism to enforce active evidentiary inquiry. Furthermore, addressing the inadequacy of sparse binary feedback for complex liability assessment, we implement a novel Ordinal-Sensitive Reinforcement Learning mechanism that calibrates decision boundaries against hierarchical severity. Extensive experiments show that our RideJudge-8B achieves 88.41\% accuracy, surpassing 32B-scale baselines and establishing a new standard for interpretable adjudication.
- Abstract（参考訳）: 責任紛争の効果的な判断は、市場公正性を維持するために重要である。
しかし、乗り合いボリュームの急激な増加は、手動によるレビューを難なくする一方、従来の自動化手法では、準司法判断に必要な透明性を欠いている。
マルチモーダル LLM は有望なパラダイムを提供するが、一般的な視覚的意味論と厳密な顕在的プロトコルのギャップを埋めるのに根本的に苦労し、しばしば知覚の幻覚と論理的ゆるみに繋がる。
これらのシステム的ミスアライメントに対処するために、プログレッシブなビジュアル論理アライメントフレームワークであるRideJudgeを紹介します。
一般的な事前学習に頼る代わりに、抽象的負債の概念を具体的軌跡パターンに変換する合成エンジンであるSynTrajを通じてセマンティックギャップをブリッジする。
大規模規制量と限られたコンテキストウィンドウの対立を解決するために,専門家の知識を抽出する適応的文脈最適化手法と,積極的な証拠調査を実施する適応的判断機構を提案する。
さらに、複雑な負債評価のための疎二元フィードバックの不十分さに対処し、階層的重大性に対して決定境界を校正する新しい順序感強化学習機構を実装した。
RideJudge-8B は 88.41 % の精度を達成し,32B スケールのベースラインを超え,解釈可能な適応のための新しい標準を確立した。
関連論文リスト
- Mechanistic Foundations of Goal-Directed Control [0.0]
本研究では,基礎バイアスが因果制御回路を生じさせ,理論上動機付けられた不確実性しきい値に収束する学習ゲーティング機構を示す。
この研究は、認知発達の機械的説明を強化し、解釈可能なエンボディードエージェントの設計のための原則化されたガイダンスを提供する。
論文 参考訳（メタデータ） (2026-03-16T13:19:34Z) - Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment [97.55382322103986]
Hit-RAGは認知的ボトルネックを解決するために設計された多段階の優先順位調整フレームワークである。
本手法は,3つの異なる段階を通じて外部証拠の利用を体系的に改善する。
論文 参考訳（メタデータ） (2026-03-07T04:05:27Z) - LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。
提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
論文 参考訳（メタデータ） (2026-03-02T04:11:18Z) - OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。
このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。
我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-11T09:41:36Z) - Asymmetric Hierarchical Anchoring for Audio-Visual Joint Representation: Resolving Information Allocation Ambiguity for Robust Cross-Modal Generalization [19.721857318111734]
指向性情報アロケーションを強制するための非対称階層的アンコリング(AHA)を提案する。
我々は、脆弱な相互情報推定装置を、意味的漏洩を明示的に抑制するGRLベースの逆分離器に置き換える。
AHAは、クロスモーダル移動において対称基底線を一貫して上回る。
論文 参考訳（メタデータ） (2026-02-03T14:14:03Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。
textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。
SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
論文 参考訳（メタデータ） (2025-09-24T13:27:35Z) - LatentGuard: Controllable Latent Steering for Robust Refusal of Attacks and Reliable Response Generation [4.29885665563186]
LATENTGUARDは、行動アライメントと教師付き潜在空間制御を組み合わせて、解釈可能で正確な安全操縦を行うフレームワークである。
本研究は, 実用性を損なうことなく, 安全性制御性と応答解釈性の両方を向上することを示す。
論文 参考訳（メタデータ） (2025-09-24T07:31:54Z) - MARBLE: A Multi-Agent Rule-Based LLM Reasoning Engine for Accident Severity Prediction [1.3102025155414727]
交通安全システムにおいて,事故重大度予測が重要な役割を担っている。
既存の方法はしばしばモノリシックモデルやブラックボックスプロンプトに依存している。
本稿では,多エージェントルールに基づくLLMエンジンを提案し,その重大性予測タスクを,専門的推論エージェントのチーム間で分解する。
論文 参考訳（メタデータ） (2025-07-07T11:27:49Z) - Sycophancy in Vision-Language Models: A Systematic Analysis and an Inference-Time Mitigation Framework [18.54098084470481]
本稿では,視覚言語ベンチマーク間のサイコフィナンシーを分析し,推論時間緩和フレームワークを提案する。
我々のフレームワークは、中立なプロンプトの性能を維持しながら、評価されたすべてのモデルでサイコフィナンシーを効果的に軽減します。
論文 参考訳（メタデータ） (2024-08-21T01:03:21Z)
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。