論文の概要: BiMind: A Dual-Head Reasoning Model with Attention-Geometry Adapter for Incorrect Information Detection

• arxiv url: http://arxiv.org/abs/2604.06022v1
• Date: Tue, 07 Apr 2026 16:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.922644
• Title: BiMind: A Dual-Head Reasoning Model with Attention-Geometry Adapter for Incorrect Information Detection
• Title（参考訳）: BiMind:誤情報検出のためのアテンション・ジオメトリ・アダプタ付きデュアルヘッド推論モデル
• Authors: Zhongxing Zhang, Emily K. Vraga, Jisu Huh, Jaideep Srivastava,
• Abstract要約: 本稿では、知識強化推論からコンテンツ内部推論を遠ざけるために、双頭推論フレームワークBiMindを提案する。 i)トークン条件のオフセットを通したアテンションロジットを緩和し、アテンション崩壊を緩和するアテンションジオメトリアダプタ、(ii)kNN検索を通じてドメイン内セマンティックメモリを構築し、特徴量線形変調により取得した隣人を注入する自己検索ナレッジメカニズム、(iii)エントロピーゲート融合とトレーニング可能なアテンションヘッドを含む不確実性を考慮した融合戦略、。
• 参考スコア（独自算出の注目度）: 2.1869190144172648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incorrect information poses significant challenges by disrupting content veracity and integrity, yet most detection approaches struggle to jointly balance textual content verification with external knowledge modification under collapsed attention geometries. To address this issue, we propose a dual-head reasoning framework, BiMind, which disentangles content-internal reasoning from knowledge-augmented reasoning. In BiMind, we introduce three core innovations: (i) an attention geometry adapter that reshapes attention logits via token-conditioned offsets and mitigates attention collapse; (ii) a self-retrieval knowledge mechanism, which constructs an in-domain semantic memory through kNN retrieval and injects retrieved neighbors via feature-wise linear modulation; (iii) the uncertainty-aware fusion strategies, including entropy-gated fusion and a trainable agreement head, stabilized by a symmetric Kullback-Leibler agreement regularizer. To quantify the knowledge contributions, we define a novel metric, Value-of-eXperience (VoX), to measure instance-wise logit gains from knowledge-augmented reasoning. Experiment results on public datasets demonstrate that our BiMind model outperforms advanced detection approaches and provides interpretable diagnostics on when and why knowledge matters.
• Abstract（参考訳）: 不正確な情報は、コンテンツの正確性と整合性を損なうことによって重大な課題を引き起こすが、ほとんどの検出手法は、崩壊した注意測地の下で、外部知識の修正とテキストコンテンツの検証を共同でバランスさせることに苦労する。 この問題に対処するために、知識強化推論からコンテンツ内部推論を分離する双頭推論フレームワークBiMindを提案する。 BiMindでは、3つの中心となるイノベーションを紹介します。 一 トークン条件のオフセットにより注目ロジットを回収し、注意崩壊を緩和する注意幾何学アダプタ (二)kNN検索によりドメイン内セマンティックメモリを構築し、特徴量線形変調により検索した隣人を注入する自己検索型知識機構 三 エントロピーゲート融合及び訓練可能な合意ヘッドを含む不確実性を考慮した融合戦略を、対称カルバック・リーバー合意正則化器により安定化させる。 知識貢献を定量化するために,知識強化推論からインスタンスワイドロジットゲインを測定するために,新しいメトリクスであるValue-of-eXperience(VoX)を定義した。 公開データセットにおける実験結果から,我々のBiMindモデルは高度な検出手法よりも優れており,いつ,なぜ知識が重要なのかを解釈可能な診断結果が得られている。

関連論文リスト

• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Towards an Incremental Unified Multimodal Anomaly Detection: Augmenting Multimodal Denoising From an Information Bottleneck Perspective [15.313681588364242]
  我々は,Mambaデコーダと情報ボトルネック融合モジュールの相補的利点を利用する,IB-iumADと呼ばれる新しいデノナイズフレームワークを導入する。 MVTec 3D-ADとEyecandiesのデータセットに関する一連の理論的分析と実験は、IB-iumADの有効性と競争性能を示している。
  論文  参考訳（メタデータ） (2026-03-03T05:58:35Z)
• Simulated Adoption: Decoupling Magnitude and Direction in LLM In-Context Conflict Resolution [3.0242762196828448]
  大規模言語モデル(LLM)は、既存のパラメトリックメモリよりもコンテクスト内での競合情報を優先することが多い。 モデルが「未学習」や内部の真理の大きさを抑えるのではなく、幾何変位のメカニズムを用いていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T06:13:11Z)
• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
  このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。 この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2026-01-22T06:21:31Z)
• Reconciling Attribute and Structural Anomalies for Improved Graph Anomaly Detection [16.56160980846368]
  TripleADは相互蒸留に基づく三チャンネルグラフ異常検出フレームワークである。 属性、構造、混合異常を識別する3つの推定モジュールを含んでいる。 大規模な実験は、強力なベースラインに対して提案されたTripleADモデルの有効性を示す。
  論文  参考訳（メタデータ） (2025-06-30T02:23:32Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• Cocoon: Robust Multi-Modal Perception with Uncertainty-Aware Sensor Fusion [26.979291099052194]
  オブジェクトレベルの不確実性を認識した融合フレームワークであるCocoonを紹介します。 鍵となる革新は不均一表現に対する不確実な定量化である。 Cocoonは、通常の条件と挑戦条件の両方において、既存の静的および適応的な手法より一貫して優れている。
  論文  参考訳（メタデータ） (2024-10-16T14:10:53Z)
• KAT: A Knowledge Augmented Transformer for Vision-and-Language [56.716531169609915]
  我々は、OK-VQAのオープンドメインマルチモーダルタスクにおいて、最先端の強力な結果をもたらす新しいモデルである知識拡張トランスフォーマー(KAT)を提案する。 提案手法は,エンド・ツー・エンドのエンコーダ・デコーダアーキテクチャにおいて暗黙的かつ明示的な知識を統合しつつ,回答生成時に両知識源を共同で推論する。 我々の分析では、モデル予測の解釈可能性の向上に、明示的な知識統合のさらなる利点が見られる。
  論文  参考訳（メタデータ） (2021-12-16T04:37:10Z)

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。