論文の概要: Reflective Dialogue between Teacher and Solver Agents for Video Question Answering

• arxiv url: http://arxiv.org/abs/2605.27885v1
• Date: Wed, 27 May 2026 03:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.703896
• Title: Reflective Dialogue between Teacher and Solver Agents for Video Question Answering
• Title（参考訳）: ビデオ質問応答のための教師とソルバーエージェントの反射対話
• Authors: Takuya Murakawa, Toru Tamaki,
• Abstract要約: 本稿では,推論時コンテキスト注入のみで適応を実現する手法を提案する。 EgoCrossベンチマークの実験により,本手法はベースラインのゼロショット設定と標準のテキスト内学習手法の両方より優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various approaches have been proposed to adapt Vision-Language Models (VLMs) to specialized domains for Video Question Answering, including fine-tuning and in-context learning. However, acquiring task-specific knowledge at the inference phase from only a small labeled support set without fine-tuning remains a challenge. In this paper, we propose a method that achieves adaptation solely through inference-time context injection. Our method first constructs a Reflective Dialogue (RD) -- a multi-turn conversation between two agents, in which Teacher poses each support question and delivers correctness feedback, and Solver answers and provides visual grounding explanations (or reflections) for both correct and incorrect answers. This dialogue history is then used as context at the inference phase. Experiments on the EgoCross benchmark demonstrate that our method outperforms both a baseline zero-shot setting and a standard in-context learning approach that passes support set examples directly, achieving 3rd place in the Open-source Track of the 1st Cross-Domain EgoCross Challenge at the CVPR 2026 EgoVis Workshop, for which this paper also serves as a technical report.
• Abstract（参考訳）: 視覚言語モデル(VLM)をビデオ質問応答の専門領域に適用するための様々な手法が提案されている。 しかし、微調整のない小さなラベル付きサポートセットのみから推論フェーズでタスク固有の知識を取得することは、依然として課題である。 本稿では,推論時コンテキスト注入のみで適応を実現する手法を提案する。 提案手法はまず,2つのエージェント間の多面的対話(RD)を構築し,教師が各サポート質問を提示し,正当性フィードバックを提示し,ソルバーが回答し,正解と誤解の両方に対して視覚的根拠説明(あるいは反射)を提供する。 この対話履歴は、推論フェーズのコンテキストとして使用される。 CVPR 2026 EgoVis Workshopにおける第1回クロスドメインEgoCrossチャレンジのオープンソーストラックでは,サポートセットを直接パスするベースラインゼロショット設定と標準インコンテキスト学習アプローチの両方において,本手法が優れていることを示す。

関連論文リスト

• Contextual Speech Extraction: Leveraging Textual History as an Implicit Cue for Target Speech Extraction [50.630431647192054]
  本稿では,ターゲット音声抽出(TSE)の新しい手法について検討する。 対象の音声を抽出するためには、テキストの文脈にのみ依存する。 3つのCSEモデルを示し、その性能を3つのデータセットで分析する。
  論文  参考訳（メタデータ） (2025-03-11T18:26:10Z)
• Collaborative Reasoning on Multi-Modal Semantic Graphs for Video-Grounded Dialogue Generation [53.87485260058957]
  本研究では,対話コンテキストと関連ビデオに基づいて応答を生成するビデオグラウンド・ダイアログ生成について検討する。 本課題の主な課題は,(1)事前学習言語モデル(PLM)に映像データを統合することの難しさである。 異なるモーダルの推論を協調的に行うマルチエージェント強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-10-22T14:45:29Z)
• UTC: A Unified Transformer with Inter-Task Contrastive Learning for Visual Dialog [30.864390060624213]
  本稿では,視覚対話における識別的タスクと生成的タスクを一つのモデルで統一し,促進する,対照的な学習ベースのUTCを提案する。 提案したUTCをVisDial v1.0データセット上で評価し,本手法は識別的タスクと生成的タスクの両方において最先端の処理性能を示す。
  論文  参考訳（メタデータ） (2022-05-01T08:36:18Z)
• Utterance Rewriting with Contrastive Learning in Multi-turn Dialogue [22.103162555263143]
  比較学習とマルチタスク学習を導入し、問題を共同でモデル化する。 提案手法は,複数の公開データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-22T10:13:27Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)
• Self-supervised Contrastive Cross-Modality Representation Learning for Spoken Question Answering [29.545937716796082]
  音声質問応答 (SQA) は、音声文書と質問の両方をきめ細かな理解を必要とする。 本稿では,自己指導型学習段階とコントラッシブな表現学習段階を併用した音声質問応答のための新しい学習手法を提案する。 本モデルでは,3つのSQAベンチマークの最先端結果が得られた。
  論文  参考訳（メタデータ） (2021-09-08T01:13:14Z)
• Structural Pre-training for Dialogue Comprehension [51.215629336320305]
  本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。 対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。 広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
  論文  参考訳（メタデータ） (2021-05-23T15:16:54Z)
• Probing Task-Oriented Dialogue Representation from Language Models [106.02947285212132]
  本稿では,タスク指向対話タスクにおいて,どのモデルが本質的に最も有意義な表現を担っているかを明らかにするために,事前学習された言語モデルについて検討する。 我々は、アノテートラベルを教師付き方法で固定された事前学習言語モデルの上に、分類器プローブとしてフィードフォワード層を微調整する。
  論文  参考訳（メタデータ） (2020-10-26T21:34:39Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)

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。