論文の概要: Linguistic Relative Policy Optimization for Video Anomaly Reasoning

• arxiv url: http://arxiv.org/abs/2607.00654v1
• Date: Wed, 01 Jul 2026 09:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.8208
• Title: Linguistic Relative Policy Optimization for Video Anomaly Reasoning
• Title（参考訳）: ビデオ異常推論のための言語的相対的ポリシー最適化
• Abstract要約: 本稿では,複数の推論軌道からグループ相対的セマンティック・アドバンテージを,言語的に表現された異常な経験に抽出する言語相対政策最適化(LRPO)を提案する。 XD-Violence、UCF-Crime、UBnormalの実験では、LRPOはチューニング不要な設定下で既存の最先端手法よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 47.9421152257432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection (VAD) with multimodal large language models has shown strong potential, yet most existing methods still depend on large-scale annotations or expert-designed priors, limiting their ability to acquire anomaly knowledge with as little human intervention as possible. To address this, we propose Linguistic Relative Policy Optimization (LRPO), which distills group-relative semantic advantages from multiple reasoning trajectories into a linguistically expressed anomaly experience prior, and adapts the model by injecting this prior into the context to steer its output distribution without any parameter updates. LRPO builds two complementary experience representations: general experience captures transferable anomaly preferences across scenarios, while scenario experience models context-dependent anomaly rules for targeted refinement. To further improve the learned experience, we introduce an anomaly alignment reward that guides trajectory optimization to match human risk preferences and reinforce temporally grounded reasoning. Extensive experiments on XD-Violence, UCF-Crime, and UBnormal demonstrate that LRPO significantly outperforms existing state-of-the-art methods under tuning-free settings.
• Abstract（参考訳）: マルチモーダルな言語モデルによるビデオ異常検出(VAD)は強力な可能性を示しているが、既存のほとんどの手法はいまだに大規模なアノテーションや専門家が設計した先行技術に依存しており、可能な限り人間の介入を少なくして異常な知識を取得する能力を制限する。 そこで本稿では,複数の推論軌道からグループ相対的セマンティック・アドバンテージを,言語的に表現された異常な経験に抽出する言語相対政策最適化法 (LRPO) を提案する。 LRPOは2つの補完的なエクスペリエンス表現を構築している: 一般的なエクスペリエンスはシナリオ間で転送可能な異常な嗜好をキャプチャし、シナリオエクスペリエンスはターゲットのリファインメントのためのコンテキスト依存の異常ルールをモデル化する。 学習経験をより良くするために,人間のリスク嗜好に合うように軌道最適化を誘導し,時間的根拠に基づく推論を補強する異常アライメント報酬を導入する。 XD-Violence, UCF-Crime, UBnormal の大規模な実験により、LRPO はチューニング不要な環境下での既存の最先端手法よりも大幅に優れていることが示された。

関連論文リスト

• Self-Improving Large Language Models via Progressive Experience Evolution [52.03479747358687]
  textbfSPEE(textbfSelf-textbfProgressive textbfExperience textbfEvolution)を提案する。 5つの数学的推論ベンチマークの実験は、SPEEが3つのモデルスケールでテスト時間とトレーニング時間の両方の自己進化ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-08-03T12:27:32Z)
• Groc-PO: Grounded Context Preference Optimization for Truthful Multimodal LLMs [29.829143097768014]
  Grounded Context Preference Optimization (Groc-PO) はマルチモーダル大言語モデル(MLLM)のための最適化フレームワークである。 複数の舞台においてより明示的な優先的監督を導入することで、Groc-POはコンテキスト依存の推論を強化し、ステージ間エラーの伝播を緩和する。
  論文  参考訳（メタデータ） (2026-07-15T11:28:27Z)
• Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models [53.15468578562038]
  マルチモーダル大言語モデル(MLLM)のための不確実性を考慮した探索的直接参照最適化(UE-DPO)手法を提案する。 まず、与えられた画像にトークン予測を根拠にしなかったモデルの不確かさを定量化する。 次に、好ましいサンプルにおいて、視覚的に不足したトークンに対する学習のプレッシャーを高め、非推奨サンプルにおける有益な知識の過度な報酬化を緩和する。
  論文  参考訳（メタデータ） (2026-05-06T13:08:12Z)
• Anomaly-Preference Image Generation [41.96735569500412]
  本稿では,Anomaly Preference Optimizationを導入する。Anomaly Preference Optimizationは,Anomaly Generationを優先学習問題として再構成する新しいパラダイムである。 我々は,本手法が既存のベースラインを著しく上回り,現実主義と多様性の両面で最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-05-04T10:37:09Z)
• Latent Adversarial Regularization for Offline Preference Optimization [21.271580780278473]
  本稿では,ポリシーモデルの内部表現と参照モデルとの相違を罰し,潜在空間の正則化を実現するGANPOを紹介する。 複数のモデルアーキテクチャとタスクにわたる実験は、潜在空間の正規化から一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-01-29T18:21:57Z)
• Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
  本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。 具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
  論文  参考訳（メタデータ） (2025-11-24T04:10:46Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Multi-Reference Preference Optimization for Large Language Models [56.84730239046117]
  複数の参照モデルを用いた直接選好最適化のための新しいクローズドフォームの定式化を提案する。 得られたアルゴリズムであるMulti-Reference Preference Optimization (MRPO)は、様々な参照モデルからより広範な事前知識を活用する。 MRPOを微調整したLLMは,データ不足や多量性に関わらず,様々な嗜好データにおいてより一般化されていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T00:29:04Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。