論文の概要: H-GRPO: Permutation-Invariant Reinforcement Learning for Grounded Visual Reasoning
- arxiv url: http://arxiv.org/abs/2606.29915v1
- Date: Mon, 29 Jun 2026 07:51:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.117217
- Title: H-GRPO: Permutation-Invariant Reinforcement Learning for Grounded Visual Reasoning
- Title（参考訳）: H-GRPO:接地型視覚推論のための変分不変強化学習
- Abstract要約: VLM(Vision-Language Models)は、ベンチマークで高パフォーマンスを実現し、「ブラックボックス」を継続する。
そこで本稿では,De-compositional Evidence Groundingによる性能と解釈性の向上を目的とした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）: 14.276463740862825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language Models (VLMs) often achieve high performance on benchmarks while remaining "black boxes", yet they remain prone to hallucination or rely on superficial shortcuts. In this work, we propose a framework designed to enhance both performance and interpretability through De-compositional Evidence Grounding. Unlike monolithic inference approaches, our approach forces the model to decompose a global query into a sequence of atomic sub-questions, each requiring an explicit sub-answer and critically a localized evidence bounding box. By grounding intermediate logical steps (e.g. identifying a container, analyzing liquid properties, and assessing environmental context) in specific visual regions, we construct a structured reasoning path that mirrors human-like deduction. This allows the final answer to emerge as a logical consequence of verified visual facts rather than a statistical guess.
- Abstract（参考訳）: VLM(Vision-Language Models)は「ブラックボックス」を維持しながらベンチマークで高いパフォーマンスを達成するが、幻覚や表面ショートカットに依存する傾向にある。
本研究では,非構成的エビデンスグラウンドリングによる性能と解釈性の向上を目的としたフレームワークを提案する。
モノリシックな推論アプローチとは異なり、我々のアプローチでは、グローバルなクエリをアトミックなサブクェリのシーケンスに分解する。
中間論理ステップ(例えば、容器の識別、液体の性質の分析、環境コンテキストの評価)を特定の視覚領域に接地することで、人間のような推論を反映する構造的推論経路を構築する。
これにより、最終的な答えは、統計的推測ではなく、検証された視覚的事実の論理的な結果として現れる。
関連論文リスト
- Evidence-Grounded Trustworthy Multimodal Reasoning and Evaluation Benchmark in Complex Urban Scenes [37.743333035442426]
本稿では,AD2-Benchを導入し,推理を構造化されたエビデンス連鎖(CoE)に分解する。
この観点から、著者らは、空間的曖昧性と意味的不確実性という、推論失敗の2つの主要な原因を特定した。
次に、Evidence-grounded Visual Reasoning (EGVOR)を提案する。
論文 参考訳（メタデータ） (2026-08-11T14:23:07Z) - Decompose, Look, and Reason: Reinforced Latent Reasoning for VLMs [6.111899371682025]
視覚言語モデルは、テキストCoTの視覚的情報損失により、複雑な視覚的推論に苦しむことが多い。
我々は,強化潜在推論フレームワークである"Decompose, Look, and Reason"(DLR)を提案する。
ビジョン中心のベンチマークの実験では、DLRは一貫して強いベースラインを上回っている。
論文 参考訳（メタデータ） (2026-04-08T18:52:27Z) - Seeing as Experts Do: A Knowledge-Augmented Agent for Open-Set Fine-Grained Visual Understanding [30.498502211349386]
KFRA(Knowledge-Augmented Fine-Grained Reasoning Agent)について紹介する。
KFRAは、専門家分析をエミュレートする3段階のクローズド推論ループを通している。
まずオープン語彙の検出とWebスケールの検索を行い、カテゴリ仮説を生成する。
その後、テキスト知識を視覚的証拠と整合させることにより、識別領域のローカライゼーションを行う。
論文 参考訳（メタデータ） (2026-03-04T06:18:45Z) - Multimodal Latent Reasoning via Hierarchical Visual Cues Injection [16.779425236020433]
この研究は、頑健な推論は潜在空間内で進化し、シームレスにマルチモーダル信号を統合することを示唆している。
表面的な文章の合理性に依存することなく、意図的な「スロー思考」を具現化する新しい枠組みを提案する。
視覚知識を取り入れたテストタイムスケーリングは有効であり,階層的な情報の統合は複雑な場面に対するモデルの理解を著しく向上させることを示す。
論文 参考訳（メタデータ） (2026-02-05T06:31:12Z) - RegionReasoner: Region-Grounded Multi-Round Visual Reasoning [69.75509909581133]
RegionReasonerは視覚的推論のための強化学習フレームワークである。
これは、それぞれの推論トレースに対応する参照境界ボックスを明示的に引用することを要求することによって、根拠付き推論を強制する。
RegionReasonerは、基礎となる忠実さとグローバルなセマンティックアライメントを組み合わせた構造化された報酬で最適化されている。
論文 参考訳（メタデータ） (2026-02-03T16:52:16Z) - Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。
最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。
本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
論文 参考訳（メタデータ） (2025-09-02T14:16:02Z) - A Survey on Latent Reasoning [100.54120559169735]
大きな言語モデル(LLM)は印象的な推論機能を示している。
中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。
潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
論文 参考訳（メタデータ） (2025-07-08T17:29:07Z) - CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。
我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
論文 参考訳（メタデータ） (2025-06-05T17:02:52Z) - How do Transformers Learn Implicit Reasoning? [67.02072851088637]
制御されたシンボリック環境下でトランスフォーマーをスクラッチからトレーニングすることで、暗黙のマルチホップ推論がどのように現れるかを研究する。
原子三重項によるトレーニングは必要ではなく学習を加速し,第2ホップの一般化は特定の構成構造へのクエリレベル露出に依存する。
論文 参考訳（メタデータ） (2025-05-29T17:02:49Z) - Ground-R1: Incentivizing Grounded Visual Reasoning via Reinforcement Learning [96.01617809845396]
Ground-R1は、明示的なエビデンスや合理的アノテーションを必要とせずに、基礎的な視覚的推論を可能にする強化学習フレームワークである。
グラウンドR1は優れた性能を示し、不確実性認識、空間認識、反復的洗練などの創発的な認知行動を示す。
論文 参考訳（メタデータ） (2025-05-26T17:51:47Z)
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。