論文の概要: Towards Self-Explainable Document Visual Question Answering with Chain-of-Explanation Predictions

• arxiv url: http://arxiv.org/abs/2605.06058v1
• Date: Thu, 07 May 2026 11:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.733489
• Title: Towards Self-Explainable Document Visual Question Answering with Chain-of-Explanation Predictions
• Title（参考訳）: チェーン・オブ・エクスラレーション予測を用いた自己説明可能な視覚的質問応答の実現に向けて
• Authors: Kjetil Indrehus, Adrian Duric, Changkyu Choi, Ali Ramezani-Kebrya,
• Abstract要約: Document Visual Question Answering (DocVQA) では、ドキュメント内のどの情報が質問に関連するのかだけでなく、どの回答がページ上に根拠付けられているのかを視覚言語モデルで判断する必要がある。 本稿では,自己説明可能なDocVQAフレームワークであるCoExVQAを提案する。
• 参考スコア（独自算出の注目度）: 4.292522199527656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document Visual Question Answering (DocVQA) requires vision-language models to reason not only about what information in a document is relevant to a question, but also where the answer is grounded on the page. Existing DocVQA models entangle question-relevant evidence and answer localization and operate largely as black boxes, offering limited means to verify how predictions depend on visual evidence. We propose CoExVQA, a self-explainable DocVQA framework with a grounded reasoning process through a chain-of-explanation design. CoExVQA first identifies question-relevant evidence, then explicitly localizes the answer region, and finally decodes the answer exclusively from the grounded region. Prediction via CoExVQA's chain-of-explanation enables direct inspection and verification of the reasoning process across modalities. Empirical results show that restricting decoding to grounded evidence achieves SotA explainable DocVQA performance on PFL-DocVQA, improving ANLS by 12% over the current explainable baselines while providing transparent and verifiable predictions.
• Abstract（参考訳）: Document Visual Question Answering (DocVQA) では、ドキュメント内のどの情報が質問に関連するのかだけでなく、どの回答がページ上に根拠付けられているのかを視覚言語モデルで判断する必要がある。 既存のDocVQAモデルは、疑わしい証拠を絞め、ローカライゼーションに答え、主にブラックボックスとして機能し、予測が視覚的証拠に依存するかを検証する限られた手段を提供する。 本稿では,自己説明可能なDocVQAフレームワークであるCoExVQAを提案する。 CoExVQAはまず質問関連証拠を特定し、回答領域を明示的にローカライズし、最後に、接地された領域からのみ解をデコードする。 CoExVQAのチェーン・オブ・エクスラレーションによる予測により、モダリティ間の推論プロセスの直接検査と検証が可能になる。 PFL-DocVQA 上での DocVQA 説明可能な性能を実現し,現在の説明可能なベースラインよりもANLS を12%向上させ,透明かつ検証可能な予測を提供する。

関連論文リスト

• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• DocVXQA: Context-Aware Visual Explanations for Document Question Answering [12.416787701296236]
  本稿では,視覚的に自己説明可能な文書質問応答のための新しいフレームワークDocVXQAを提案する。 このフレームワークは、質問に対する正確な回答を生成するだけでなく、文脈的に重要な領域をハイライトする視覚的なヒートマップを学ぶために設計されている。
  論文  参考訳（メタデータ） (2025-05-12T12:30:16Z)
• NeoQA: Evidence-based Question Answering with Generated News Events [53.85274258429368]
  この問題に対処するために設計されたベンチマークであるNeoQAを紹介します。 我々は,エビデンスに基づく質問応答を評価するための新しいプラットフォームとして,データセットを提案する。
  論文  参考訳（メタデータ） (2025-05-09T10:51:29Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• QACHECK: A Demonstration System for Question-Guided Multi-Hop Fact-Checking [68.06355980166053]
  本稿では,質問誘導型マルチホップFact-Checking(QACHECK)システムを提案する。 クレームの検証に批判的な一連の質問をすることで、モデルの推論プロセスを導く。 各質問を支持する証拠の源となり、透明で説明可能な、ユーザフレンドリーな事実チェックプロセスが育まれます。
  論文  参考訳（メタデータ） (2023-10-11T15:51:53Z)
• Dynamic Clue Bottlenecks: Towards Interpretable-by-Design Visual Question Answering [58.64831511644917]
  本稿では, モデル決定を中間的人間法的な説明に分解する設計モデルを提案する。 我々は、我々の本質的に解釈可能なシステムは、推論に焦点をあてた質問において、同等のブラックボックスシステムよりも4.64%改善できることを示した。
  論文  参考訳（メタデータ） (2023-05-24T08:33:15Z)
• Grow-and-Clip: Informative-yet-Concise Evidence Distillation for Answer Explanation [22.20733260041759]
  我々は、QAモデルの解釈可能性を高めるために、解答の証拠が重要であると論じる。 我々は、証拠の概念を、情報的で簡潔で読みやすい文脈における支援事実として明確に定義する最初の人物である。 本稿では, トレードオフ情報性, 簡潔性, 可読性からエビデンスを抽出するGCEDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-13T17:18:17Z)
• Human Evaluation of Spoken vs. Visual Explanations for Open-Domain QA [22.76153284711981]
  本研究は,ODQAシステムの回答をいつ受理するか,拒否するかをユーザが正確に判断するのに役立つかを検討する。 その結果,得られたエビデンスパスから得られた説明は,モダリティ間で強いベースライン(校正信頼度)を上回る可能性が示唆された。 我々は,現在の説明に共通する障害事例を示し,説明のエンドツーエンド評価を強調し,デプロイと異なるプロキシモダリティで評価することを警告する。
  論文  参考訳（メタデータ） (2020-12-30T08:19:02Z)
• Robust Explanations for Visual Question Answering [24.685231217726194]
  本稿では,視覚的質問応答(VQA)の頑健な説明を得る手法を提案する。 本モデルは,視覚的およびテキスト的説明を提供することにより,VQAモデルを用いて得られた回答を説明する。 本稿では,視覚的およびテキスト的説明を用いた雑音による摂動攻撃に対するモデルの堅牢性を示す。
  論文  参考訳（メタデータ） (2020-01-23T18:43:34Z)

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。