Fugu-MT 論文翻訳(概要): Mixture of Cognitive Experts in Large Vision-Language Models

論文の概要: Mixture of Cognitive Experts in Large Vision-Language Models

arxiv url: http://arxiv.org/abs/2607.10796v1
Date: Sun, 12 Jul 2026 15:09:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 15:40:48.532351
Title: Mixture of Cognitive Experts in Large Vision-Language Models
Title（参考訳）: 視覚・言語モデルにおける認知専門家の混在
Abstract要約: 大規模視覚言語モデル(LVLM)は、視覚とテキストの両方の入力に対して強い推論を必要とする。最近の研究は、認知要素、特に多様な表現とメタ認知が、より良いパフォーマンスと相関していることを示唆している。鍵となる課題は、これらのマルチエンコーダの専門家を信頼できる、解釈可能な、一貫性のある表現に統合することである。
参考スコア（独自算出の注目度）: 21.733069302081528
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Vision Language Models (LVLMs) require strong reasoning over both visual and textual input. Recent work suggests that cognitive elements, especially diverse representations and metacognition, correlate with better performance. Many of the needed perceptual functions are already provided by specialized domain-specific computer vision models, which act as the perceptual subsystem for detecting objects, localizing them, inferring states, recovering spatial layout, and reading text. The key challenge is to integrate these multi-encoder experts into a trustworthy, interpretable, and coherent representation that improves verifiability and reduces hallucinations. This is difficult because vision-language questions span different cognitive levels, yet most LVLM pipelines apply the same perception-reasoning routing regardless of the demand of each query. We propose an evidence-driven multimodal reasoning framework that utilizes a Bloom-inspired taxonomy as a hierarchical reasoning protocol. The two-stage cognitive verbalization first produces a Literal Evidence Summary by decomposing expert outputs into short, atomic evidence statements. It then performs Bloom Verbalization to turn these evidence items into a staged reasoning trace, and a lightweight Reasoning Trace Module quantitatively analyzes the trace to make evidence usage and reasoning progression explicit. Through this integration, we observed several improvements in perception and reasoning abilities. Moreover, the trace module provides quantitative evidence that different queries induce different cognitive entry levels and evidence-use trajectories that enable fine-grained analysis.
Abstract（参考訳）: 大規模視覚言語モデル(LVLM)は、視覚とテキストの両方の入力に対して強い推論を必要とする。最近の研究は、認知要素、特に多様な表現とメタ認知が、より良いパフォーマンスと相関していることを示唆している。必要な知覚機能の多くは、既に特定のドメイン固有のコンピュータビジョンモデルによって提供されており、オブジェクトの検出、局所化、状態の推測、空間レイアウトの復元、テキストの読取のための知覚サブシステムとして機能している。鍵となる課題は、これらのマルチエンコーダの専門家を信頼できる、解釈可能な、一貫性のある表現に統合し、妥当性を改善し、幻覚を減らすことである。しかし、ほとんどのLVLMパイプラインは、各クエリの要求に関係なく、同じ知覚推論ルーティングを適用している。本稿では,ブルームにインスパイアされた分類を階層的推論プロトコルとして利用するエビデンス駆動型マルチモーダル推論フレームワークを提案する。 2段階の認知言語化は、専門家の出力を短い原子的証拠ステートメントに分解することで、まずリテラルエビデンス概要を生成する。次にBloom Verbalizationを実行し、これらのエビデンス項目を段階的推論トレースに変換し、軽量なReasoning Trace Moduleがトレースを定量的に分析し、エビデンスの使用と推論を明示する。この統合を通して、知覚と推論能力のいくつかの改善が観察された。さらに、トレースモジュールは、異なるクエリが異なる認知エントリーレベルと、きめ細かい分析を可能にするエビデンス利用トラジェクトリを誘導する、定量的な証拠を提供する。

関連論文リスト

Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
論文参考訳（メタデータ） (2026-05-27T08:43:13Z)
SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning [67.67774742200626]
空間知能は、視覚的な観察から幾何学的および物理的構造を推論する能力を指すもので、大きな言語モデルにとって重要な課題である。テキスト推論と視覚的想像力を組み合わせた統合型マルチモーダル生成フレームワークを提案する。本フレームワークでは,高レベルなセマンティックプランニングのためのテキストチェーンと,幾何感応的な状態変換と整合性保存のための視覚的想像力を用いて,分割・対数戦略を採用している。
論文参考訳（メタデータ） (2026-04-19T11:21:59Z)
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)
Toward Cognitive Supersensing in Multimodal Large Language Model [67.15559571626747]
我々は,MLLMに人間のような視覚的特徴を付与する訓練パラダイムであるCognitive Supersensingを紹介する。実験では、CogSense-BenchでCognitive Supersensingを訓練したMLLMが、最先端のベースラインを大きく上回った。私たちはCogSense-Benchとモデルウェイトをオープンソースにします。
論文参考訳（メタデータ） (2026-02-02T02:19:50Z)
Beyond Generation: Multi-Hop Reasoning for Factual Accuracy in Vision-Language Models [0.0]
ビジュアル言語モデル(VLM)は強力な生成ツールであるが、しばしば事実的に正確な出力を生成する。本研究は、知識誘導推論のためのフレームワークをVLMで導入し、マルチホップ検証に構造化知識グラフを活用する。本研究では,階層的・三点的・三点的・三点的・三点的知識表現を用いた枠組みの評価を行い,実効性と論理的推論性について分析した。
論文参考訳（メタデータ） (2025-11-25T17:34:32Z)
From Perception to Cognition: A Survey of Vision-Language Interactive Reasoning in Multimodal Large Language Models [66.36007274540113]
MLLM(Multimodal Large Language Models)は、物理的世界に対する深い人間的な理解と相互作用を達成するための試みである。情報取得(知覚)や推論(認知)を行う際、しばしば浅く不整合な統合を示す。この調査では、新しい統合分析フレームワーク「知覚から認知へ」を紹介した。
論文参考訳（メタデータ） (2025-09-29T18:25:40Z)
Explain Before You Answer: A Survey on Compositional Visual Reasoning [74.27548620675748]
構成的視覚推論は、マルチモーダルAIにおける重要な研究フロンティアとして登場した。本調査は,トップ会場(CVPR,ICCV,NeurIPS,ICML,ACLなど)から260以上の論文を体系的にレビューする。次に60以上のベンチマークとそれに対応するメトリクスを、基底精度、連鎖忠実性、高分解能知覚などの次元に沿って探索する。
論文参考訳（メタデータ） (2025-08-24T11:01:51Z)
A Cognitive Paradigm Approach to Probe the Perception-Reasoning Interface in VLMs [3.2228025627337864]
本稿では,視覚言語モデル(VLM)における知覚推論インタフェースを識別するための構造化評価フレームワークを提案する。本稿では,人間の問題解決戦略を反映した3つの評価パラダイムを提案する。このフレームワークを適用したCAは、リッチで独立に生成された記述を推論するために強力な言語モデルを活用し、新しい最先端(SOTA)パフォーマンスを実現することを実証する。
論文参考訳（メタデータ） (2025-01-23T12:42:42Z)
Retrieval-Based Interleaved Visual Chain-of-Thought in Real-World Driving Scenarios [69.00444996464662]
RIV-CoT(Retrieval-based Interleaved Visual Chain-of-Thought法)を提案する。実験の結果, RIV-CoTの解答精度は3.1%向上し, バニラCoTの解答精度は4.6%向上した。
論文参考訳（メタデータ） (2025-01-08T18:31:16Z)
Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
論文参考訳（メタデータ） (2024-04-24T17:59:48Z)

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。