論文の概要: CogniVerse: Revolutionizing Multi-Modal Retrieval-Augmented Generation with Cognitive Reflection and Geometric Reasoning
- arxiv url: http://arxiv.org/abs/2605.29602v1
- Date: Thu, 28 May 2026 08:40:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.07901
- Title: CogniVerse: Revolutionizing Multi-Modal Retrieval-Augmented Generation with Cognitive Reflection and Geometric Reasoning
- Title（参考訳）: CogniVerse: 認知的反射と幾何学的推論による多モード検索拡張生成の革新
- Authors: Xiang Fang, Wanlong Fang, Changshuo Wang,
- Abstract要約: MMRAG(Multi-modal Retrieval-Augmented Generation)は、マルチモーダル大規模言語モデルを強化するための強力なパラダイムとして登場した。
textbfCogniVerseは認知に触発され、数学的に厳密なアプローチによってこれらの課題に対処する新しいMMRAGフレームワークである。
CogniVerseは、検索レイテンシを低減しつつ、精度とコヒーレンスの両方で最先端のシステムを大幅に上回る。
- 参考スコア（独自算出の注目度）: 15.851694572297612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal Retrieval-Augmented Generation (MMRAG) has emerged as a powerful paradigm for enhancing Multimodal Large Language Models in knowledge-intensive question answering by integrating external visual, textual, and structural knowledge. However, existing MMRAG frameworks suffer from critical limitations, including noisy and irrelevant retrieval, cross-modal semantic misalignment, lack of adaptive reasoning, and incoherent generation across local and global contexts. We introduce \textbf{CogniVerse}, a novel MMRAG framework that addresses these challenges through a cognitive-inspired, mathematically rigorous approach. Drawing from human-like reasoning, CogniVerse integrates three synergistic components: (1) a Cognitive Reflection Module that dynamically assesses retrieval necessity and filters relevant multi-modal content, reducing noise and computational overhead; (2) a Multi-modal Retrieval Module that aligns embeddings in a Riemannian manifold using information geometry and refines knowledge graphs via spectral graph theory, ensuring precise and coherent retrieval; and (3) a Hierarchical Generation Module that employs an optimal transport-based loss to balance token-level accuracy and global semantic coherence. Extensive experiments demonstrate that CogniVerse significantly outperforms state-of-the-art systems in both accuracy and coherence, while reducing retrieval latency.
- Abstract（参考訳）: MMRAG(Multi-modal Retrieval-Augmented Generation)は、外的視覚、テキスト、構造的知識を統合することで、知識集約型質問応答における多モーダル大言語モデルを強化するための強力なパラダイムとして登場した。
しかし、既存のMMRAGフレームワークは、ノイズや無関係な検索、横断的意味的ミスアライメント、適応的推論の欠如、局所的およびグローバル的文脈における不整合生成など、重大な制限に悩まされている。
我々は認知に着想を得た数学的に厳密なアプローチによってこれらの課題に対処する新しいMMRAGフレームワークである「textbf{CogniVerse}」を紹介した。
ヒューマンライクな推論から、CogniVerseは、3つの相乗的要素を統合している:(1) 動的に検索の必要性を評価し、関連するマルチモーダルなコンテンツをフィルタリングし、ノイズと計算オーバーヘッドを低減させる認知的反射モジュール、(2) 情報幾何学を用いてリーマン多様体に埋め込みを整列させ、スペクトルグラフ理論を用いて知識グラフを洗練するマルチモーダル検索モジュール、そして(3) トークンレベルの精度とグローバルセマンティックコヒーレンスをバランスづけるために最適なトランスポートベースの損失を利用する階層的生成モジュール。
大規模な実験では、CogniVerseは精度とコヒーレンスの両方で最先端のシステムを大幅に上回り、検索遅延を低減している。
関連論文リスト
- SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning [67.67774742200626]
空間知能は、視覚的な観察から幾何学的および物理的構造を推論する能力を指すもので、大きな言語モデルにとって重要な課題である。
テキスト推論と視覚的想像力を組み合わせた統合型マルチモーダル生成フレームワークを提案する。
本フレームワークでは,高レベルなセマンティックプランニングのためのテキストチェーンと,幾何感応的な状態変換と整合性保存のための視覚的想像力を用いて,分割・対数戦略を採用している。
論文 参考訳（メタデータ） (2026-04-19T11:21:59Z) - UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? [50.92401586025528]
統一マルチモーダルモデルは、最近強力な生成能力を示したが、生成が理解を改善したかどうかはまだ不明である。
提案するUniG2U-Benchは,G2U(Generation-to-understanding)評価を7つのシステマと30のサブタスクに分類する総合ベンチマークである。
論文 参考訳（メタデータ） (2026-03-03T18:36:16Z) - Understand Then Memory: A Cognitive Gist-Driven RAG Framework with Global Semantic Diffusion [14.538534837583931]
Retrieval-Augmented Generation (RAG)は、外部知識を取り入れることで、LLMの幻覚を効果的に緩和する。
本稿では,認知記憶過程をシミュレートするRAGフレームワークであるCogitoRAGを提案する。
CogitoRAGは最先端のRAG手法よりも優れており、複雑な知識の統合や推論において優れた能力を示している。
論文 参考訳（メタデータ） (2026-02-11T12:58:08Z) - Humanoid-inspired Causal Representation Learning for Domain Generalization [27.034416329441097]
Humanoid-Inspired Structure Causal Model (HSCM)は、人間の知性にインスパイアされた新しい因果関係の枠組みである。
キーイメージ属性のアンタングル化と再重み付けにより、HSCMは様々な領域にわたる一般化を強化する。
論文 参考訳（メタデータ） (2025-10-18T07:38:45Z) - Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark [69.8473923357969]
統一マルチモーダルモデルは、視覚的理解と生成を共同で行うことを目的としているが、現在のベンチマークでは、その真の統合を検査することはめったにない。
提案するUni-MMMUは、8つの推論中心領域にまたがる生成と理解の双方向の相乗効果を拡大する総合的なベンチマークである。
論文 参考訳（メタデータ） (2025-10-15T17:10:35Z) - Coherent Multimodal Reasoning with Iterative Self-Evaluation for Vision-Language Models [4.064135211977999]
大規模言語モデル (LLMs) と視覚言語モデル (LVLMs) は複雑で多段階のクロスモーダルな常識推論タスクに苦しむ。
我々は,LVLMの共通感覚推論能力を高める新しいアプローチであるコヒーレント・マルチモーダル推論フレームワーク(CMRF)を提案する。
CMRFは複雑なクエリを分解し、ステップバイステップの推論を生成し、エラーを自己修正することで人間の問題解決を模倣する。
論文 参考訳（メタデータ） (2025-08-04T20:33:58Z) - OMEGA: Can LLMs Reason Outside the Box in Math? Evaluating Exploratory, Compositional, and Transformative Generalization [88.76091817642963]
最近の大規模言語モデル (LLMs) は、DeepSeek-R1-のような長い鎖の推論を持ち、オリンピアード級数学において印象的な成果を上げている。
本稿では,3つの分布外一般化の軸を評価するために設計された3つの一般化 Axes-a ベンチマークを用いた OMEGA-Out-of-distriion Math Problems Evaluation を提案する。
論文 参考訳（メタデータ） (2025-06-23T17:51:40Z) - Cognitive Weave: Synthesizing Abstracted Knowledge with a Spatio-Temporal Resonance Graph [2.800801614127705]
本稿では,多層動的共鳴グラフ(GSTR)を中心としたメモリフレームワークであるCognitive Weaveを紹介する。
GSTRはセマンティック・リッチ・インサイト・パーティクル(IP)として情報を管理し、専用のセマンティック・オーラル・インタフェース(ISO)を通じて共振鍵、シグニケータ、状況インプリントを付加する。
Cognitive Weaveの重要なコンポーネントは認知プロセスである。これは、高レベルの知識構造を凝縮した洞察集約(AsI)の合成を含む。
論文 参考訳（メタデータ） (2025-06-09T18:00:46Z) - MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search [61.11836311160951]
本稿では,知識集約型タスクにおける小言語モデルの推論能力を高める新しいアプローチであるMCTS-RAGを紹介する。
通常、推論から独立して情報を取得する標準的なRAG法とは異なり、MCTS-RAGは構造化推論と適応的検索を組み合わせる。
この統合されたアプローチは意思決定を強化し、幻覚を減らし、事実の正確性と応答の整合性を向上させる。
論文 参考訳（メタデータ） (2025-03-26T17:46:08Z) - RAG-KG-IL: A Multi-Agent Hybrid Framework for Reducing Hallucinations and Enhancing LLM Reasoning through RAG and Incremental Knowledge Graph Learning Integration [4.604003661048267]
RAG-KG-ILは、大規模言語モデルの推論能力を高めるために設計された、新しいマルチエージェントハイブリッドフレームワークである。
Retrieval-Augmented Generation (RAG) と Knowledge Graphs (KG) をインクリメンタルラーニング (IL) アプローチに統合する。
我々は、健康関連クエリを含む実世界のケーススタディを用いて、このフレームワークを評価する。
論文 参考訳（メタデータ） (2025-03-14T11:50:16Z) - Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。
我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。
提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
論文 参考訳（メタデータ） (2024-04-24T17:59:48Z)
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。