論文の概要: Adaptive Dense Evidence Refinement for Video Relational Reasoning for VRR-QA Challenge

• arxiv url: http://arxiv.org/abs/2606.01104v1
• Date: Sun, 31 May 2026 08:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.206998
• Title: Adaptive Dense Evidence Refinement for Video Relational Reasoning for VRR-QA Challenge
• Title（参考訳）: VRR-QAチャレンジのためのビデオリレーショナル推論のための適応デビデンス補正
• Abstract要約: 本稿では,適応型テスト時間計算を中心に構築された推論のみのシステムを提案する。 システムはまず、各質問に直接ビデオ言語モデルパスで答え、続いて複数の軽量ビューを使用して不安定な質問を見つける。 テストスプリットでは、最終システムは90.07平均精度と87.81マクロ平均精度を得る。
• 参考スコア（独自算出の注目度）: 15.724849094439987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: VRR-QA evaluates whether video-language systems can infer spatial, temporal, viewpoint, depth, and visibility relations that are not always resolved by a single frame. We present an inference-only system built around adaptive test-time computation. The system first answers each question with a direct video-language model pass, then uses multiple lightweight views to find unstable questions. Only these difficult questions are routed to a high-budget dense evidence module that constructs timestamped frame observations, relation-specific probes, candidate verification, and conservative temporal aggregation. This design separates two problems that are often confused in video question answering: finding plausible alternative answers and deciding when a current answer should actually be changed. On the test split, the final system obtains 90.07 average accuracy and 87.81 macro average accuracy. The report focuses on the final test system and the implementation settings required to reproduce the adaptive dense verifier.
• Abstract（参考訳）: VRR-QAは、一フレームで常に解決されない空間的、時間的、視点的、深さ的、可視的関係を推測できるかどうかを評価する。 本稿では,適応型テスト時間計算を中心に構築された推論のみのシステムを提案する。 システムはまず、各質問に直接ビデオ言語モデルパスで答え、続いて複数の軽量ビューを使用して不安定な質問を見つける。 これらの難しい問題だけが、タイムスタンプされたフレーム観察、関係特異的プローブ、候補検証、保守的時間的集約を構成する高予算密度エビデンスモジュールにルートされる。 この設計では、ビデオ質問の回答でしばしば混同される2つの問題を分離している。 テストスプリットでは、最終システムは90.07平均精度と87.81マクロ平均精度を得る。 本報告では, 適応型高密度検証器の再現に必要な最終試験システムと実装設定について述べる。

関連論文リスト

• VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
  マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか? VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。 ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
  論文  参考訳（メタデータ） (2026-06-05T22:06:07Z)
• Answer Self-Consistency with Margin-Triggered Question Re-Arbitration for the CVPR 2026 VidLLMs Challenge [0.0]
  CVPR 2026 VidLLMs Challenge のトラック2の解について述べる。 このトラックはビデオにおける視覚的推論を評価し、モデルは常にはっきりと見えない関係を推論しなければならない。 マルチモーダル推論モデル上に構築された学習不要なテスト時間推論フレームワークであるASCを提案する。
  論文  参考訳（メタデータ） (2026-06-03T00:51:55Z)
• Question-Aware Evidence Ledgers for Video Relational Reasoning [49.15616982043187]
  我々は,強力なGPT-5.5ビデオQA解決器と疑似エビデンス台帳のセットを中心に構築されたテスト時間推論パイプラインを提案する。 パイプラインは92.95%の総合精度と93.79%のマクロ精度を達成した。
  論文  参考訳（メタデータ） (2026-06-01T17:18:03Z)
• Temporal Evidence Routing with Structured Visual Evidence for TimeLogicQA [15.724849094439987]
  TimeLogicQAは、ビデオ質問応答システムが時間的関係について推論できるかどうかを評価する。 我々はこの課題を視覚的エビデンスルーティングパイプラインで解決し、認識を象徴的な時間的推論から分離する。
  論文  参考訳（メタデータ） (2026-05-31T08:49:04Z)
• Clarification Is Not Enough: Post-Clarification Answering Remains the Bottleneck in Multi-Turn QA [14.475086992410276]
  課題を2つの要素に分解することで,多ターン質問応答における選好誘導の問題について検討する。 PACIFICベンチマークを用いて、教師付き微調整が明確化ポリシーを急速に改善することを示したが、モデルが正しい動作を取る場合でも、最終的な解答精度は著しく低いままである。
  論文  参考訳（メタデータ） (2026-05-24T18:06:09Z)
• VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
  VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。 これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。 GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。 その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
  論文  参考訳（メタデータ） (2026-04-02T03:29:43Z)
• On the Consistency of Video Large Language Models in Temporal Comprehension [57.985769348320616]
  ビデオ大言語モデル(Video-LLMs)は、時間的に言語クエリを解析し、ビデオモーメントを検索することができる。 予測整合性 - 時間的根拠の堅牢性と信頼性を示す重要な指標である。
  論文  参考訳（メタデータ） (2024-11-20T00:47:17Z)
• Locate before Answering: Answer Guided Question Localization for Video Question Answering [70.38700123685143]
  LocAnsは質問ロケータと回答予測器をエンドツーエンドモデルに統合する。 最新の2つのビデオQAデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-10-05T08:19:16Z)
• Frame-Subtitle Self-Supervision for Multi-Modal Video Question Answering [73.11017833431313]
  マルチモーダルなビデオ質問応答は、正しい回答を予測し、その質問に関連する時間的境界をローカライズすることを目的としている。 我々は、QAアノテーションのみを使用する、弱い教師付き質問基盤(WSQG)の設定を考案する。 フレームと字幕の対応をフレーム字幕(FS)に変換し,時間的注意スコアの最適化を支援する。
  論文  参考訳（メタデータ） (2022-09-08T07:20:51Z)
• Fill-in-the-blank as a Challenging Video Understanding Evaluation Framework [19.031957183047048]
  28,000の動画と補足テストからなる新しいデータセットを導入する。 マルチモーダルモデルと強力な言語モデルの両方が、人間のパフォーマンスに大きなギャップがあることが示される。
  論文  参考訳（メタデータ） (2021-04-09T04:00:10Z)
• Answering Ambiguous Questions through Generative Evidence Fusion and Round-Trip Prediction [46.38201136570501]
  本稿では,複数の通路からの証拠を集約し,一つの回答や質問対の集合を適応的に予測するモデルを提案する。 我々のモデルはRefuelと呼ばれ、AmbigQAデータセット上で新しい最先端のパフォーマンスを実現し、NQ-OpenおよびTriviaQA上での競合性能を示す。
  論文  参考訳（メタデータ） (2020-11-26T05:48:55Z)

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。