Fugu-MT 論文翻訳(概要): Learning to Deny: Action Denial in Multimodal Large Language Models

論文の概要: Learning to Deny: Action Denial in Multimodal Large Language Models

arxiv url: http://arxiv.org/abs/2606.31187v1
Date: Tue, 30 Jun 2026 06:16:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.095361
Title: Learning to Deny: Action Denial in Multimodal Large Language Models
Title（参考訳）: Denyへの学習: マルチモーダルな大規模言語モデルにおける行動否定
Abstract要約: マルチモーダル大言語モデル(MLLM)は、高速な映像理解を実現し、標準ベンチマークで強力なゼロショットと少数ショット認識を実現している。しかし、強い文脈的手がかりにもかかわらず、ある活動がいつ起こっていないかを認識することによって、ある行為を否定する能力はほとんど解明されていない。 UCF101-ADはAction-PresenceとAction-Denialの2つのクリップからなるベンチマークで,この容量を否定的に評価する。
参考スコア（独自算出の注目度）: 12.607064466360216
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multimodal large language models (MLLMs) have rapidly advanced video understanding, achieving strong zero-shot and few-shot recognition across standard benchmarks. Yet their ability to deny an action by recognizing when an activity is not happening despite strong contextual cues remains largely unexplored. We introduce UCF101-AD, a large-scale benchmark consisting of paired Action-Presence and Action-Denial clips, designed to evaluate this capacity for denial. Each negative video in UCF101-AD preserves the same contextual and motion cues, including persons, objects, and locations, as its positive counterpart, but the defining action itself is explicitly absent. Evaluating 20 state-of-the-art MLLMs reveals a consistent failure: models that exceed 85% accuracy on the positive action classes collapse below 50% on their action-denial counterparts, indicating a strong inclination to affirm plausible actions rather than verify that they truly occur. This exposes a critical blind spot in modern video understanding: the inability to reason causally about whether a motion actually happens. To probe this issue, we explore a causal graph formulation, CausalAct, which expresses scene structure through natural-language prompts linking context, interaction, and motion. Incorporating such causal cues substantially reduces false positives, demonstrating that denial is a learnable reasoning skill. UCF101-AD provides a new lens for diagnosing and improving causal reasoning in multimodal models. Dataset and relevant code: https://github.com/raiyaan-abdullah/Learn-to-Deny.
Abstract（参考訳）: マルチモーダル大言語モデル (MLLM) は、高速な映像理解を実現し、標準ベンチマークで強力なゼロショットと少数ショット認識を実現している。しかし、強い文脈的手がかりにもかかわらず、ある活動がいつ起こっていないかを認識することによって、ある行為を否定する能力はほとんど解明されていない。 UCF101-ADは,2つのアクション・プレゼンス・クリップとアクション・デナール・クリップからなる大規模ベンチマークであり,この容量を否定的に評価することを目的としている。 UCF101-ADにおける各負の動画は、人、物、場所を含む同じ文脈と動きの手がかりを肯定的に保存するが、定義アクション自体が明らかに欠落している。 20の最先端MLLMを評価すると、一貫した失敗が明らかになる:正のアクションクラスで85%を超えるモデルが、アクション・デニアルのクラスで50%未満の精度で崩壊する。これは、現代のビデオ理解において重要な盲点を露呈している: 動きが実際に起こるかどうかを慎重に判断できないこと。そこで本研究では,因果グラフの定式化であるCausalActについて検討する。このような因果的手がかりを取り入れることで、偽陽性を著しく減少させ、否定は学習可能な推論スキルであることを示す。 UCF101-ADはマルチモーダルモデルにおける因果推論の診断と改善のための新しいレンズを提供する。データと関連するコード:https://github.com/raiyaan-abdullah/Learn-to-Deny

関連論文リスト

ActiveScope: Actively Seeking and Correcting Perception for MLLMs [73.84325380140547]
MLLM(Multimodal Large Language Models)は、高解像度画像における微細な認識に苦戦している。本研究では,能動的に知覚を探索し,修正することにより,MLLMを強化したトレーニングフリーフレームワークであるActiveScopeを提案する。
論文参考訳（メタデータ） (2026-06-23T08:17:15Z)
How Far Are Video Models from True Multimodal Reasoning? [32.10821745418955]
CLVG-Benchは、ビデオモデルのゼロショット推論能力を調査するために設計された評価フレームワークである。高品質で手動で注釈付けされたメタデータが6つのカテゴリと47のサブカテゴリにまたがっている。最小限のアノテーションを用いて人間の専門家の認識と一致した適応的ビデオ評価器(AVE)を提案する。
論文参考訳（メタデータ） (2026-04-21T08:04:02Z)
Vision-Language Models Unlock Task-Centric Latent Actions [75.53481518882275]
本稿では、視覚言語モデル(VLM)の常識推論能力を利用して、迅速な表現を実現することを提案する。そこで本研究では,VLMに障害を無視するよう求めれば,遅延動作の質が大幅に向上し,解離メタワールドにおける下流の成功率が最大6倍に向上することを示す。
論文参考訳（メタデータ） (2026-01-30T08:38:59Z)
The Imperfective Paradox in Large Language Models [19.058068907991277]
本研究では,過去の進歩的側面が,達成のためのものではなく,活動のイベント実現を伴っている不完全なパラドックスについて検討する。多様なセマンティッククラスでこの区別を探索するために設計された診断データセットであるImperfectiveNLIを紹介する。広汎なテレロジカルバイアス: 目標志向のイベントの完了を体系的に幻覚させるモデル。
論文参考訳（メタデータ） (2026-01-14T10:57:16Z)
Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
論文参考訳（メタデータ） (2026-01-07T16:39:34Z)
When Alignment Fails: Multimodal Adversarial Attacks on Vision-Language-Action Models [75.16145284285456]
我々は,White-box設定とBlack-box設定の両方の下で,組込みVLAモデルのマルチモーダル対向ロバスト性に関する総合的研究であるVLA-Foolを紹介する。自動生成および意味的に誘導されるプロンプトフレームワークを最初に開発する。 LIBEROベンチマークの実験では、小さなマルチモーダル摂動でさえ大きな行動偏差を引き起こすことが示されている。
論文参考訳（メタデータ） (2025-11-20T10:14:32Z)
Disentangled Concepts Speak Louder Than Words:Explainable Video Action Recognition [22.38060746037401]
本稿では,Disentangled Action aNd Context の概念に基づく Explainable (DANCE) ビデオアクション認識を提案する。 DANCEは、アンタングルされたコンセプトタイプ(モーションダイナミクス、オブジェクト、シーン)を通じてアクションを予測する。 4つのデータセットの実験により、DANCEは競合性能で説明の明確さを大幅に改善することを示した。
論文参考訳（メタデータ） (2025-11-05T18:59:35Z)
Enhancing Spatio-Temporal Zero-shot Action Recognition with Language-driven Description Attributes [54.50887214639301]
提案手法は,大規模言語モデルを用いて関連キーワードを抽出し,Webcrawled 記述を活用する革新的な手法である。この方法は、人間のアノテーションの必要性を減らし、属性データ作成の面倒な手作業を取り除く。ゼロショット実験では,UCF-101,HMDB-51,Kineetics-600で81.0%,53.1%,68.9%の精度を達成した。
論文参考訳（メタデータ） (2025-10-31T07:45:44Z)
LLaVAction: evaluating and training multi-modal large language models for action recognition [46.473599879244716]
我々は,行動認識を行うためのMLLMの評価と改善に重点を置いている。 EPIC-KITCHENS-100は,エゴセントリックな行動データセットとして最大かつ最も困難である。難解な答えを邪魔者としてサンプリングすると、MLLMは正しい行動を認識するのに苦労する。
論文参考訳（メタデータ） (2025-03-24T14:24:17Z)
Hawk: Learning to Understand Open-World Video Anomalies [76.9631436818573]
ビデオ異常検出(VAD)システムは、障害を自律的に監視し、識別し、手作業や関連するコストを削減できる。我々は,インタラクティブな大規模ビジュアル言語モデル(VLM)を利用して,ビデオの異常を正確に解釈する新しいフレームワークであるHawkを紹介する。言語記述による8000以上の異常ビデオを注釈付けし、さまざまなオープンワールドシナリオでの効果的なトレーニングを可能にしました。
論文参考訳（メタデータ） (2024-05-27T07:08:58Z)

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。