論文の概要: Wake up for Touch! Mask-isolated Tactile Alignment Learning in MLLMs

• arxiv url: http://arxiv.org/abs/2607.00302v1
• Date: Wed, 01 Jul 2026 01:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.675505
• Title: Wake up for Touch! Mask-isolated Tactile Alignment Learning in MLLMs
• Title（参考訳）: MLLMにおけるマスクによる触覚アライメント学習
• Abstract要約: MLLMのためのマスクアイソレーション型触覚アライメント学習フレームワークであるSplashを提案する。 Splashは、事前訓練された各パラメータの重要度を定量化し、パラメータ空間を休息および臨界部分空間に分割する。 凍結された臨界部分空間は一般的な視覚的知識を保護するための安定なアンカーとして機能する一方、Splashは孤立した休眠部分空間を更新し、LCMに対する触覚的アライメントを内部化する。
• 参考スコア（独自算出の注目度）: 9.279128599238504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Touch supplies the physical grounding needed to perceive intrinsic material properties, such as friction and compliance, that vision alone often cannot resolve. Recent efforts for equipping multimodal LLMs with this tactile sense, however, expose a zero-sum trade-off: the limited parameter budget of compact models forces a choice between acquiring the new sensory modality and preserving the established vision-language reasoning. We present Splash, a mask-isolated tactile alignment learning framework for MLLMs. Splash quantifies the significance of each pretrained parameter, and partitions the parameter space into a dormant and critical subspace. While the frozen critical subspace acts as a stable anchor to safeguard general visual knowledge, Splash updates the isolated dormant subspace to internalize tactile alignment towards LLMs. This selective, non-destructive expansion effectively prevents catastrophic forgetting and ensures non-destructive modality expansion. Extensive experiments show that Splash effectively achieves tactile reasoning without additional inference overhead in the LLM part, demonstrating state-of-the-art performance on visuo-tactile benchmarks, including SSVTP, TVL, and TacQuad, while preserving its original general-purpose capabilities.
• Abstract（参考訳）: タッチは、摩擦やコンプライアンスのような本質的な材料特性を知覚するために必要な物理的基盤を提供する。 コンパクトモデルの限られたパラメータ予算は、新しい感覚的モダリティの獲得と確立された視覚言語推論の保存を選択せざるを得ない。 MLLMのためのマスクアイソレーション型触覚アライメント学習フレームワークであるSplashを提案する。 Splashは、事前訓練された各パラメータの重要度を定量化し、パラメータ空間を休息および臨界部分空間に分割する。 凍結された臨界部分空間は一般的な視覚的知識を保護するための安定なアンカーとして機能する一方、Splashは孤立した休眠部分空間を更新し、LCMに対する触覚的アライメントを内部化する。 この選択的非破壊的な拡張は、破滅的な忘れを効果的に防止し、非破壊的なモダリティ展開を保証する。 SSVTP, TVL, TacQuad などのvisuo-tactile ベンチマークでは, 従来の汎用性を保ちながら, 最先端の性能を示した。

関連論文リスト

• See Only When Needed: Context-Aware Attention Intervention for Mitigating Hallucinations in LVLMs [81.71384150441163]
  大規模視覚言語モデル(LVLM)のためのコンテキスト認識注意介入(CAI)を提案する。 CAIは必要なときのみ2軸選択によってシーズを強制する。 複数のLVLMバックボーンとベンチマークの実験は、CAIが最先端の幻覚緩和を達成することを示している。
  論文  参考訳（メタデータ） (2026-06-29T06:35:47Z)
• A Single Layer to Explain Them All:Understanding Massive Activations in Large Language Models [56.03096341469333]
  大規模言語モデル(LLM)における大規模アクティベーションの起源について検討する。 モデルファミリ間で一貫して観察されるtextbfMassive Emergence Layer (ME Layer) と呼ばれる特定の層を同定する。 RMSNormとFFNパラメータの両方がME層内で大きな活性化の出現に共同して寄与していることを示す。 本研究では,この制限により,大規模アクティベーショントークンの剛性を簡易かつ効果的に低減する手法を提案する。
  論文  参考訳（メタデータ） (2026-05-08T21:37:27Z)
• Less is More: Geometric Unlearning for LLMs with Minimal Data Disclosure [10.0091317316944]
  Geometric Unlearning (GU) は、オリジナルのトレーニングコーパスにアクセスすることなく、モデルの迅速な計画状態を直接操作する。 GUは、小さな安全な参照プロンプトから所望の安全行動のコンパクトで低ランクな幾何学を蒸留する。 合成非ターゲットアンカーの教師蒸留レギュレータは、さらに横方向のドリフトを減少させる。
  論文  参考訳（メタデータ） (2026-05-03T06:20:03Z)
• Hybrid Latent Reasoning with Decoupled Policy Optimization [19.348125016748018]
  HyLaR(Hybrid Latent Reasoning)は、連続的な視覚的潜在表現を持つ離散テキスト生成をシームレスにインターリーブするフレームワークである。 我々は,HyLaRが細粒度知覚と一般的なマルチモーダル理解ベンチマークにおいて,最先端の潜時推論手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-22T08:22:23Z)
• Representation-Guided Parameter-Efficient LLM Unlearning [7.509597637044037]
  大規模言語モデル(LLM)は、しばしば機密または有害な情報を記憶し、効果的な機械学習技術を必要とする。 本稿では,表現空間の幾何学的特性を活用し,堅牢かつ高精度な未学習を実現する新しい手法であるRepresentation-Guided Low-rank Unlearning (REGLU)を提案する。
  論文  参考訳（メタデータ） (2026-04-19T11:59:58Z)
• Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation [51.743225614196774]
  マルチモーダル大言語モデル (MLLM) は視覚言語推論において顕著な進歩を遂げている。 彼らは幻覚に弱いままであり、そこで生成されたコンテンツは視覚的証拠から逸脱する。 近年の視覚強調法では、復号時に視覚トークンを補強することでこの問題に対処しようとしている。 本稿では,MLLMのトレーニングフリーフレームワークであるAdaptive Visual Reinforcement (AIR)を提案する。
  論文  参考訳（メタデータ） (2026-02-27T14:18:51Z)
• SLIM: Stealthy Low-Coverage Black-Box Watermarking via Latent-Space Confusion Zones [5.795582095405318]
  トレーニングデータは、LLM(Large Language Model)開発において、重要かつしばしばプロプライエタリな資産である。 我々は,厳格なブラックボックスアクセス下でユーザごとのデータ証明を可能にするフレームワークSLIMを紹介する。
  論文  参考訳（メタデータ） (2026-01-06T18:37:45Z)
• Enhancing Zero-Shot Time Series Forecasting in Off-the-Shelf LLMs via Noise Injection [18.267727687739853]
  大言語モデル(LLM)はゼロショット時系列(TS)予測器として有効であることを示した。 鍵となる課題は、TSデータを LLM の事前訓練された知識と一致したテキスト表現にトークン化することである。 LLMの事前学習スコープを利用した2つの新しいTSデータセットを導入し、改良された性能を継続的に観察する。
  論文  参考訳（メタデータ） (2025-12-23T08:02:33Z)
• Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection [62.89126207012712]
  顔提示攻撃検出(PAD)は、スプーフィング戦術やドメインと戦うために漸進的な学習を要求する。 過去のデータ保持を禁止し、リハーサルフリーラーニング(RF-IL)を必要とするプライバシー規制
  論文  参考訳（メタデータ） (2025-12-22T04:30:11Z)
• DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
  テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。 DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。 SLIMはセマンティックリークに特化した最初のデータセットである。
  論文  参考訳（メタデータ） (2025-10-16T17:39:21Z)
• Robust Anti-Backdoor Instruction Tuning in LVLMs [53.766434746801366]
  大規模視覚言語モデル(LVLM)のための軽量で認証に依存しない防御フレームワークについて紹介する。 私たちのフレームワークは、命令チューニングの下で、アダプタモジュールとテキスト埋め込み層のみを微調整します。 Flickr30kとMSCOCOに対する7つの攻撃に対する実験は、我々の攻撃の成功率をほぼゼロに低下させることを示した。
  論文  参考訳（メタデータ） (2025-06-04T01:23:35Z)

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。