論文の概要: Seen, Said, or Forgotten? A Causal Audit of Visual KV Memory Across Dialog Turns

• arxiv url: http://arxiv.org/abs/2607.25467v1
• Date: Tue, 28 Jul 2026 08:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.78066
• Title: Seen, Said, or Forgotten? A Causal Audit of Visual KV Memory Across Dialog Turns
• Title（参考訳）: ビジュアルなKVメモリが丸ごと回転する様子を振り返ってみた(動画あり)
• Abstract要約: マルチモーダルアシスタントは 一度画像をエンコードするが 後で何度も 質問に答えるかもしれない 視覚的事実が実際に忘れるのが安全かどうかを問うとともに,Causal Visual Memory Audit (CVMA)を紹介する。 CVMAは、視覚領域、画像全体、または以前のアシスタントテキストが利用できないときに、後続の回答が失うものをテストする。
• 参考スコア（独自算出の注目度）: 49.303626270028495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stateful multimodal assistants encode an image once but may answer questions about it many turns later. Attention-guided visual-KV eviction assumes that evidence irrelevant now will remain dispensable, although future questions are unknown. We ask when a visual fact is actually safe to forget and introduce the Causal Visual Memory Audit (CVMA), a paired single-prefill framework that tests what later answers lose when a visual region, the whole image, or prior assistant text becomes unavailable. On VisDial and ConvBench, current attention can rank future-useful regions worse than random even though a diagnostic marginal-utility control shows substantial selection headroom. Aggregate scores hide this failure when later turns do not need vision; controlled and stock-generated histories reveal a second escape route, in which assistant-text KV replaces image KV for facts already stated but not reliably for unstated facts. In the tested stacks, safe forgetting is supported by low future visual dependence or fact-specific verbalization---not by low current attention.
• Abstract（参考訳）: ステートフルなマルチモーダルアシスタントは一度画像をエンコードするが、後で何度も疑問に答えることができる。 注意誘導による視覚-KVの排除は、将来の疑問は明らかではないが、現在無関係な証拠は引き続き発行可能であると仮定する。 視覚的事実が実際に忘れるのが安全かどうかを問うとともに,視覚領域,画像全体,あるいは以前のアシスタントテキストが利用できない場合に,後続の回答が失うものをテストする,ペア化された単一プリフィルフレームワークであるCausal Visual Memory Audit (CVMA)を導入する。 VisDial と ConvBench では、診断の限界効用制御が実質的な選択ヘッドルームを示しているにもかかわらず、現在注目されている領域は、ランダムよりも悪くなる可能性がある。 Aggregateのスコアは、後に視界が不要になったときにこの失敗を隠蔽する; 制御およびストック生成履歴は、2つ目のエスケープルートを示し、そこでは、アシスタントテキストKVが、既に記述されている事実に対して、確実に予測されていない事実に対して、イメージKVを置き換える。 テストスタックでは、将来の視覚的依存や事実固有の言語化によって、安全な忘れがサポートされます。

関連論文リスト

• Reason Through the Latent! Making Latent Visual Reasoning Necessary [15.899417214884243]
  CVRR(Causal Visual Recurrent Reasoning)について紹介する。 CVRRは事前訓練された視覚能力を保持し、反復計算を予測に必要な経路とする。 本研究は,疑問が定まると再帰的内容に敏感な予測が残っており,持続的な視覚的証拠が再帰的軌跡を因果的に修正していることを示す。
  論文  参考訳（メタデータ） (2026-09-06T17:39:32Z)
• Seeing or Knowing? Visual Context Sensitivity in Multimodal Large Language Models [14.5102059776721]
  MLLM(Multimodal Large Language Models)は、事前訓練された言語モデルの豊富な事前情報と視覚入力を統合することで、高い性能を達成する。 しかし、視覚的な証拠が事前訓練された知識と矛盾する場合、視覚中心のタスクでは失敗することが多い。 2つの診断パラダイムを用いてこれらの障害を探索する。(1)視覚情報が利用可能かどうかの探索、(2)画像再構成、(2)マルチモーダルコンテキスト感度の測定である。
  論文  参考訳（メタデータ） (2026-07-28T22:52:34Z)
• Look Clearly Before Answering: Mitigating Hallucinations in LVLMs via Saliency-Driven Perceptual Realignment [45.92240827409312]
  Saliency-Driven Perceptual Realignment (SDPR) は、推論全体を通して視覚的認知の低下を緩和するトレーニング不要のフレームワークである。 提案するSDPRは,全発生経路における視覚的認知の全体的アライメントのため,幻覚に対して頑健である。
  論文  参考訳（メタデータ） (2026-07-18T14:39:16Z)
• 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)
• EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies [68.812675280427]
  EventVLAは、疎視的エビデンスメモリの概念に基づいて開発されたエンドツーエンドフレームワークである。 KEMは、VLAの潜伏した埋め込みから将来の確率を直接予測し、スパースでタスククリティカルな視覚イベントを自律的にキャプチャして保存する。 対話型視覚的エビデンスで非マルコフ操作タスクを評価するための診断ベンチマークであるRoboTwin-MeMを提案する。
  論文  参考訳（メタデータ） (2026-06-18T11:11:37Z)
• MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory [80.97855900579512]
  既存の評価では、エージェントが後続の推論に必要な視覚的証拠を保存するかどうかを検査することはめったにない。 メモリ性能を2次元から評価するフレームワークであるMemEyeを紹介する。 本フレームワークでは,8つのライフシナリオタスクにまたがる新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-05-14T17:37:52Z)
• Med-VCD: Mitigating Hallucination for Medical Large Vision Language Models through Visual Contrastive Decoding [0.8431877864777443]
  医用LVLMにおける幻覚を、二次復号の時間的オーバーヘッドを伴わずに緩和する、疎視的復号法であるMed-VCDを導入する。 以上の結果から,Med-VCDは平均13%,幻覚精度は6%向上した。
  論文  参考訳（メタデータ） (2025-12-01T17:40:03Z)
• Mitigating Hallucinations in Vision-Language Models through Image-Guided Head Suppression [16.465703269782654]
  大型視覚言語モデル (LVLM) はしばしば幻覚に悩まされ、視覚的文脈と一致しないテキストを生成する。 推論時間介入による幻覚の低減を目的とした既存の手法は、遅延を著しく増加させる。 本稿では,タスクに依存しない注意誘導型頭部抑制戦略であるSPINについて述べる。
  論文  参考訳（メタデータ） (2025-05-22T09:00:57Z)
• CATCH: Complementary Adaptive Token-level Contrastive Decoding to Mitigate Hallucinations in LVLMs [74.36850397755572]
  CATCHは、未解決のシナリオにおいて、きめ細かい特徴知覚と累積幻覚を減少させる視覚的欠陥に関連する問題に対処する。 これは、特定のデータや事前知識を必要とせず、様々な視覚的質問応答タスクに適用でき、追加のトレーニングを必要とせず、新しいタスクにしっかりと一般化する。
  論文  参考訳（メタデータ） (2024-11-19T18:27:31Z)
• Look Twice Before You Answer: Memory-Space Visual Retracing for Hallucination Mitigation in Multimodal Large Language Models [26.32657568461926]
  マルチモーダルな大言語モデル(MLLM)は幻覚を起こす傾向がある。 MemVRは共通の認知にインスパイアされた新しいデコードパラダイムである。 MemVRは様々なMLLMの幻覚を著しく緩和する。
  論文  参考訳（メタデータ） (2024-10-04T16:30:54Z)

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。