論文の概要: Utility-Oriented Visual Evidence Selection for Multimodal Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.13277v1
• Date: Wed, 13 May 2026 09:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.961053
• Title: Utility-Oriented Visual Evidence Selection for Multimodal Retrieval-Augmented Generation
• Title（参考訳）: マルチモーダル検索型生成のためのユーティリティ指向ビジュアルエビデンス選択
• Authors: Weiqing Luo, Zongye Hu, Xiao Wang, Zhiyuan Yu, Haofeng Zhang, Ziyi Huang,
• Abstract要約: モデル出力分布に誘導される情報ゲインとしてエビデンスユーティリティを定義することにより、情報理論の観点からのマルチモーダルエビデンス選択を再構成する。 本稿では,軽量マルチモーダルモデルを用いて,エビデンスの有用性を効率的に推定する,トレーニング不要なサロゲート加速フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.767796866137187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual evidence selection is a critical component of multimodal retrieval-augmented generation (RAG), yet existing methods typically rely on semantic relevance or surface-level similarity, which are often misaligned with the actual utility of visual evidence for downstream reasoning. We reformulate multimodal evidence selection from an information-theoretic perspective by defining evidence utility as the information gain induced on a model's output distribution. To overcome the intractability of answer-space optimization, we introduce a latent notion of evidence helpfulness and theoretically show that, under mild assumptions, ranking evidence by information gain on this latent variable is equivalent to answer-space utility. We further propose a training-free, surrogate-accelerated framework that efficiently estimates evidence utility using lightweight multimodal models. Experiments on MRAG-Bench and Visual-RAG across multiple model families demonstrate that our method consistently outperforms state-of-the-art RAG baselines while achieving substantial reductions in computational cost.
• Abstract（参考訳）: 視覚的エビデンス選択は、マルチモーダル検索拡張生成(RAG)の重要な要素であるが、既存の手法は、しばしば下流の推論に対する視覚的エビデンスの実効性と一致しない意味的関連性や表面レベルの類似性に依存している。 モデル出力分布に誘導される情報ゲインとしてエビデンスユーティリティを定義することにより、情報理論の観点からのマルチモーダルエビデンス選択を再構成する。 回答空間最適化の難易度を克服するため,提案手法では,証拠有効性の潜在概念を導入し,軽微な仮定の下では,この潜伏変数の情報ゲインによる証拠のランク付けが応答空間ユーティリティと等価であることを理論的に示す。 さらに, 軽量マルチモーダルモデルを用いたエビデンスを効率的に推定する, トレーニング不要・サロゲート加速フレームワークを提案する。 複数のモデルファミリを対象としたMRAG-BenchとVisual-RAGの実験により、我々の手法は計算コストを大幅に削減しつつ、最先端のRAGベースラインを一貫して上回ることを示した。

関連論文リスト

• Multi-Perspective Evidence Synthesis and Reasoning for Unsupervised Multimodal Entity Linking [22.2668894000344]
  マルチモーダル・エンティティ・リンク(MEL)は、知識ベースにおける多モーダル・エンティティに多様なモダリティで曖昧な言及をマッピングするデータ管理の基本的なタスクである。 MSR-MELは,マルチパースペクティブなエビデンス合成・推論フレームワークであり,Large Language Models (LLMs) を用いた教師なしMELを提案する。
  論文  参考訳（メタデータ） (2026-04-22T07:30:16Z)
• POINTS-Seeker: Towards Training a Multimodal Agentic Search Model from Scratch [84.73366911912512]
  エージェント・シーディング(Agenic Seeding)は,エージェント行動の抽出に必要な前駆体を織り込むための専用フェーズである。 本稿では、最近の対話を高忠実に保ちながら、歴史的コンテキストをレンダリングを介して視覚空間に折り畳みながら、適応的履歴認識圧縮方式であるV-Foldを提案する。 我々は,最新のマルチモーダルエージェントサーチモデルであるPOINTS-Seeker-8Bを開発した。
  論文  参考訳（メタデータ） (2026-04-15T16:09:37Z)
• Walk the Talk: Bridging the Reasoning-Action Gap for Thinking with Images via Multimodal Agentic Policy Optimization [89.68681087743876]
  MLLM(Multimodal Large Language Models)は,マルチターン推論において視覚ツールを積極的に呼び出すことによって,イメージで考えるモデルにインセンティブを与えている。 結果に基づく報酬を頼りにする一般的な強化学習の実践は、テキストの妥当性が経営幹部の失敗を隠蔽するという事実を無視します。 マルチモーダルエージェントポリシー最適化(MAPO)を導入し、テキスト推論とモデルが生成する視覚行動のギャップを埋める。
  論文  参考訳（メタデータ） (2026-04-08T07:48:07Z)
• V-Retrver: Evidence-Driven Agentic Reasoning for Universal Multimodal Retrieval [32.5242219186118]
  本稿では,視覚検査に基づくエージェント推論プロセスとしてマルチモーダル検索を再構成するエビデンス駆動検索フレームワークであるV-Retrverを提案する。 V-Retrverは、MLLMが外部視覚ツールを介して推論中に視覚的エビデンスを選択的に取得し、仮説生成と対象の視覚的検証を交互に行うマルチモーダル・インターリーブド推論プロセスを実行することを可能にする。
  論文  参考訳（メタデータ） (2026-02-05T18:59:21Z)
• BayesRAG: Probabilistic Mutual Evidence Corroboration for Multimodal Retrieval-Augmented Generation [33.53566598271416]
  BayesRAGはベイズ推定とデンプスター・シェーファーのエビデンス理論に基づく新しいマルチモーダル検索フレームワークである。 我々は,BayesRAGがマルチモーダルベンチマークにおいて,最先端(SOTA)手法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-01-12T08:53:14Z)
• ARM-Thinker: Reinforcing Multimodal Generative Reward Models with Agentic Tool Use and Visual Reasoning [103.7657839292775]
  ARM-Thinkerはエージェント・マルチモーダル・リワード・モデルであり、検証された証拠で判断を下すために外部ツールを自律的に呼び出す。 ARM-Thinkerを多段階強化学習で訓練し、ツールコール決定と判定精度を協調的に最適化する。 その結果,エージェント能力は報酬モデルの精度と解釈可能性の両方を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-12-04T18:59:52Z)
• Retrieval Meets Reasoning: Even High-school Textbook Knowledge Benefits Multimodal Reasoning [49.3242278912771]
  RMR(Retrieval Meets Reasoning)と呼ばれる新しいマルチモーダルRAGフレームワークについて紹介する。 RMRフレームワークは、最も関連性の高い問合せ対を特定するために、バイモーダル検索モジュールを使用する。 これは、ベンチマークデータセットのスペクトルにわたって様々なビジョン言語モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-31T14:23:49Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Progressive Evidence Refinement for Open-domain Multimodal Retrieval Question Answering [20.59485758381809]
  現在のマルチモーダル検索質問答えモデルは2つの大きな課題に直面している。 モデルへの入力として圧縮されたエビデンスの特徴を利用すると、エビデンス内の詳細な情報が失われる。 本稿では,これらの問題を緩和するための証拠検索と質問応答のための2段階の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-10-15T01:18:39Z)

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。