論文の概要: Verification-Notebook Learning for Source-Aware Multimodal Misinformation Detection

• arxiv url: http://arxiv.org/abs/2607.23581v1
• Date: Sun, 26 Jul 2026 10:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.163983
• Title: Verification-Notebook Learning for Source-Aware Multimodal Misinformation Detection
• Title（参考訳）: 情報源を考慮したマルチモーダル誤情報検出のための検証ノート学習
• Abstract要約: 誤解を招く信号はポストの異なる部分から発生し、異なる形の証拠を必要とする可能性があるため、マルチモーダルな誤情報検証は困難である。 本稿では,凍結したLVLMの外部検証手順を推論前に学習するフレームワークであるVerification-Notebook Learning (VNL)を提案する。 VNLは、決定原則、エビデンスヒント、および事前の検証経験からの落とし穴を繰り返すような、コンパクトなノートを作成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal misinformation verification is challenging because misleading signals may come from different parts of a post and require different forms of evidence. LVLMs are well suited to this task, but their verification performance often depends on the inference procedure applied to each instance. Existing methods improve this procedure through stronger prompting, retrieval, or deliberation, but rarely retain the verification patterns learned from previous examples. We propose Verification-Notebook Learning (VNL), a non-parametric framework that learns an external verification procedure for a frozen LVLM before inference. VNL builds a compact notebook of decision principles, evidence cues, and recurring pitfalls from prior verification experience. The notebook remains fixed during inference and guides the verification of new examples. Rather than updating model parameters or storing demonstrations, VNL records learned knowledge in an artifact that can be inspected directly. Experiments show that VNL consistently outperforms a range of competitive baselines. Further analyses show that the Verification Notebook improves fine-grained source attribution while remaining compact and interpretable, providing an effective way to accumulate verification knowledge without model training.
• Abstract（参考訳）: 誤解を招く信号はポストの異なる部分から発生し、異なる形の証拠を必要とする可能性があるため、マルチモーダルな誤情報検証は困難である。 LVLMはこのタスクに適しているが、検証性能は各インスタンスに適用される推論手順に依存することが多い。 既存の手法は、より強力なプロンプト、検索、あるいは熟考を通じてこの手順を改善するが、以前の例から学んだ検証パターンはまれである。 我々は,凍結LVLMの外部検証手順を推論前に学習する非パラメトリックフレームワークであるVerification-Notebook Learning (VNL)を提案する。 VNLは、決定原則、エビデンスヒント、および事前の検証経験からの落とし穴を繰り返すような、コンパクトなノートを作成する。 ノートブックは推論中に固定され、新しいサンプルの検証をガイドする。 モデルパラメータを更新したり、デモを格納する代わりに、VNLは学習した知識を直接検査できるアーティファクトに記録する。 実験により、VNLは競争基準線を一貫して上回っていることが示された。 さらに、検証ノートは、コンパクトで解釈可能なまま、きめ細かいソース属性を改善し、モデルトレーニングなしで検証知識を蓄積する効果的な方法を提供する。

関連論文リスト

• Knowledgeless Language Models: Suppressing Parametric Recall for Evidence-Grounded Language Modeling [21.14539989233461]
  知識--'Less''' Language Models (KLLMs) KLLMは、名前付きエンティティが匿名化されたコーパスで事前訓練される。 我々は,KLLMがパラメトリック知識に頼らず,外部証拠に頼らず,現実的な条件下での信頼性の向上につながることを示した。
  論文  参考訳（メタデータ） (2026-07-14T14:48:53Z)
• User-Centric Evidence Ranking for Attribution and Fact Verification [12.059713949823335]
  エビデンスランク付け(Evidence Ranking)は、ランク付けリストにおいて、できるだけ早く十分な情報を提示することを優先する、新しいタスクである。 これにより、ユーザの読み取り作業を最小限に抑えつつ、利用可能なすべての証拠をシーケンシャルな検証に利用できるようにする。 この研究は、より解釈しやすく、効率的で、ユーザに沿った情報検証システムに向けた基礎的なステップを提供する。
  論文  参考訳（メタデータ） (2026-01-29T08:23:26Z)
• Refinement Provenance Inference: Detecting LLM-Refined Training Prompts from Model Behavior [58.751981587234916]
  本稿では,Refinement Provenance Inference (RPI)監査タスクをRefinement Provenance Inference (RPI)として定式化する。 本稿では,ロジットレベルの信号で教師が強制する可能性機能を融合させるロジットベースのフレームワークであるReProを提案する。 トレーニング中、ReProはシャドウファインチューニングを通じて転送可能な表現を学び、訓練データアクセスなしで、見えない犠牲者の証明を推測するために軽量のリニアヘッドを使用する。
  論文  参考訳（メタデータ） (2026-01-05T10:16:41Z)
• When Does Verification Pay Off? A Closer Look at LLMs as Solution Verifiers [11.937771430269201]
  本稿では,37大言語モデル(LLM)の体系的研究について述べる。 自己検証と同一家族内および異なる家族間での検証を比較した。 検証者ゲインや偽陽性率尺度などのメトリクスをモデルサイズと後トレーニングで分析し,データセットの妥当性の違いを特徴付ける。
  論文  参考訳（メタデータ） (2025-12-02T00:51:14Z)
• PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
  MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。 制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-03T09:07:44Z)
• Disperse-Then-Merge: Pushing the Limits of Instruction Tuning via Alignment Tax Reduction [75.25114727856861]
  大規模言語モデル(LLM)は、スーパービジョンされた微調整プロセスの後半で劣化する傾向にある。 この問題に対処するための単純な分散結合フレームワークを導入する。 我々のフレームワークは、一連の標準知識と推論ベンチマークに基づいて、データキュレーションや正規化の訓練など、様々な高度な手法より優れています。
  論文  参考訳（メタデータ） (2024-05-22T08:18:19Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• Knowledge-Augmented Language Model Verification [68.6099592486075]
  最近の言語モデル(LM)は、パラメータに内在化された知識を持つテキストを生成する際、印象的な能力を示している。 本稿では,知識付加型LMの出力と知識を別個の検証器で検証することを提案する。 その結果,提案した検証器は,検索と生成の誤りを効果的に識別し,LMがより現実的に正しい出力を提供できることを示した。
  論文  参考訳（メタデータ） (2023-10-19T15:40:00Z)
• Can LMs Learn New Entities from Descriptions? Challenges in Propagating Injected Knowledge [72.63368052592004]
  我々は、注入された事実に基づいて推論を行う(またはそれらの事実を伝播する)LMの能力について研究する。 既存の知識更新手法では,注入知識の伝播がほとんどないことがわかった。 しかし、LMのコンテキストにおけるエンティティ定義の予測は、すべての設定におけるパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2023-05-02T17:59:46Z)

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。