Fugu-MT 論文翻訳(概要): Exploring Geographic Relative Space in Large Language Models through Activation Patching

論文の概要: Exploring Geographic Relative Space in Large Language Models through Activation Patching

arxiv url: http://arxiv.org/abs/2605.14535v1
Date: Thu, 14 May 2026 08:18:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-15 21:45:34.708193
Title: Exploring Geographic Relative Space in Large Language Models through Activation Patching
Title（参考訳）: アクティベーション・パッチングによる大規模言語モデルにおける地理的相対空間の探索
Abstract要約: 地理におけるLarge Language Models(LLM)の利用の増加は、これらのツールを幅広いプロセスや分析で統合することの安全性について、かなりの疑問を提起する。本稿では, アクティベーション・パッチング(アクティベーション・パッチング)を用いて, LLMが相対的な地理的空間をどのように処理するかを考察する。
参考スコア（独自算出の注目度）: 5.127310126394387
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The increased use of Large Language Models (LLMs) in geography raises substantial questions about the safety of integrating these tools across a wide range of processes and analyses, given our very limited understanding of their inner workings. In this extended abstract, we examine how LLMs process relative geographic space using activation patching, an emerging tool for mechanistic interpretability.
Abstract（参考訳）: 地理におけるLarge Language Models(LLM)の利用の増加は、これらのツールを広範囲のプロセスや分析にまたがって統合することの安全性に関する重大な疑問を引き起こします。本稿では, アクティベーション・パッチング(アクティベーション・パッチング)を用いて, LLMが相対的な地理的空間をどのように処理するかを考察する。

関連論文リスト

Textual Supervision Enhances Geospatial Representations in Vision-Language Models [47.5986642837928]
地理空間的理解は、機械学習システムの開発において決定的だが未解明の要素である。視覚のみのアーキテクチャ(ViTなど)、視覚言語モデル(CLIPなど)、大規模マルチモーダル基盤モデル(LLaVA、Qwen、Gemmaなど)の3つのモデルファミリによって得られた空間的表現を分析する。
論文参考訳（メタデータ） (2026-06-05T11:40:13Z)
Seg-Agent: Test-Time Multimodal Reasoning for Training-Free Language-Guided Segmentation [52.8308168727975]
Seg-Agentは完全にトレーニング不要のフレームワークで、Explicit Multimodal Chain-of-Reasoningの先駆者です。提案手法は, 生成, 選択, 洗練の3段階からなる対話型視覚推論ループを構築する。 various-LangSegは、明示的なセマンティック、ジェネリックオブジェクト、推論誘導セグメンテーションタスクをカバーする新しいベンチマークである。
論文参考訳（メタデータ） (2026-05-13T03:36:44Z)
FineRS: Fine-grained Reasoning and Segmentation of Small Objects with Reinforcement Learning [62.11389260206383]
textscFineRSは、非常に小さなオブジェクトをセグメント化するための2段階のMLLMベースの強化学習フレームワークである。 textscFineRS-4kは,属性レベルの推論に基づくMLLMの評価と,微妙で小規模なターゲットに対する画素レベルのセグメンテーションのための新しいデータセットである。
論文参考訳（メタデータ） (2025-10-24T10:14:17Z)
Geospatial Mechanistic Interpretability of Large Language Models [6.0272491755196045]
大規模言語モデル(LLM)は、様々な自然言語処理タスクにまたがる前例のない機能を示している。我々の目的は、これらの複雑なモデルが地理的情報を処理しながら生成する内部表現の理解を深めることである。
論文参考訳（メタデータ） (2025-05-06T09:40:06Z)
OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。地理空間応用に適したMLLM(OmniGeo)を提案する。自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文参考訳（メタデータ） (2025-03-20T16:45:48Z)
From Text to Space: Mapping Abstract Spatial Models in LLMs during a Grid-World Navigation Task [0.0]
グリッドワールドナビゲーションタスクにおける大規模言語モデル(LLM)の性能と内部アクティベーションに及ぼすテキストベース空間表現の影響について検討する。実験の結果, 空間のカルデシアン表現は, モデルサイズに比例して高い成功率と経路効率が得られることがわかった。この研究は、LLMが空間情報をどのように処理するかの理解を深め、より解釈可能で堅牢なエージェントAIシステムの開発に有用な洞察を提供する。
論文参考訳（メタデータ） (2025-02-23T19:09:01Z)
Injecting Domain-Specific Knowledge into Large Language Models: A Comprehensive Survey [45.918134803778834]
大規模言語モデル(LLM)は、自然言語理解、テキスト要約、機械翻訳といった様々なタスクにおいて顕著な成功を収めている。彼らの汎用的な性質は、医療、化学、法的な分析といった専門的な知識を必要とするドメイン固有のアプリケーションにおいて、その効果を制限していることが多い。これを解決するために、研究者はドメイン固有の知識を統合することでLLMを強化する様々な方法を模索してきた。
論文参考訳（メタデータ） (2025-02-15T07:43:43Z)
Improving In-Context Learning with Small Language Model Ensembles [2.3499129784547654]
In-context Learning (ICL) は安価で効率的な代替手段であるが、高度な手法の精度と一致しない。本稿では,複数の微調整小言語モデル(SLM)の専門知識を活用することでICLを強化する新しいアプローチであるEnsemble SuperICLを提案する。
論文参考訳（メタデータ） (2024-10-29T09:02:37Z)
Grounding Multimodal Large Language Models in Actions [65.88208317380793]
我々はMLLMを異なる実施形態とその関連する行動空間にベストグラウンドする方法について研究する。連続的な動作に対しては、学習されたトークン化が十分なモデリング精度を実現することが示される。離散的な動作に対して、これらの動作をMLLMのネイティブな出力トークン空間と意味的に整合させることが、最も高いパフォーマンスをもたらすことを示す。
論文参考訳（メタデータ） (2024-06-12T06:12:04Z)
Tool Learning with Large Language Models: A Survey [60.733557487886635]
大規模言語モデル(LLM)を用いたツール学習は,高度に複雑な問題に対処するLLMの能力を強化するための,有望なパラダイムとして登場した。この分野での注目と急速な進歩にもかかわらず、現存する文献は断片化され、体系的な組織が欠如している。
論文参考訳（メタデータ） (2024-05-28T08:01:26Z)
LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文参考訳（メタデータ） (2024-02-26T07:33:05Z)

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。