論文の概要: When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering
- arxiv url: http://arxiv.org/abs/2608.05670v1
- Date: Thu, 06 Aug 2026 07:08:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.829747
- Title: When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering
- Title（参考訳）: 合意の正しさはいつになるか : セマンティックス保存再レンダリングによる合意精度結合の測定
- Abstract要約: ラベルのない信頼性信号として、摂動入力間のモデルの合意が使用される。
レンダリングは正確さと信頼性の両方で再サンプリングする。
モデル自身のクロスレンダーコンセンサスインバータを微調整する。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A model's agreement across perturbed inputs is used both as a label-free reliability signal and as a self-training target, on the premise that agreement tracks correctness. That coupling is rarely measured directly: natural-image perturbations preserve meaning only by assumption, and no exact answer key localizes errors. Scientific figures remove both obstacles, a figure is drawn from data by a program, so redrawing it yields images that are semantically equivalent by construction and share a programmatically exact answer. We build RENDEQ, a generator of such render-equivalence sets, and measure the coupling on three open-weight VLMs, checking every finding across three independent instantiations. Re-rendering beats resampling on both accuracy and reliability. Agreement beats an evidence-carrying baseline, mean token log-probability, on two of three models and ties on the third, reversing an intermediate, buggy replication traced to a rendering-pipeline failure. The dispersion behind this is concentrated in one style factor, the plotting library, more than double the next-largest factor and an order of magnitude above the noise floor. Fine-tuning on the model's own cross-render consensus inverts: accuracy falls in every one of five replication runs, the opposite sign to published results on natural images. Agreement certifies correctness only above a threshold set by how diffuse a model's errors are, and an objective that rewards agreement destroys exactly that diffuseness.
- Abstract（参考訳）: ラベルなし信頼性信号と自己学習目標の両方として、コンセンサスが正確性を追跡することを前提として、摂動入力間のモデルの合意が使用される。
自然なイメージの摂動は仮定によってのみ意味を保ち、正確な答えキーがエラーをローカライズすることはない。
科学的な人物は両方の障害を取り除き、図はプログラムによってデータから引き出されるので、再描画すると、構成によって意味論的に等価なイメージが得られ、プログラム的に正確な答えを共有する。
我々は、これらのレンダリング等価集合の生成元であるRENDEQを構築し、3つのオープンウェイトなVLM上のカップリングを測定し、3つの独立インスタンスのすべての発見をチェックする。
再レンダリングは精度と信頼性の両方で再サンプリングに勝る。
合意はエビデンスに満ちたベースラインを破り、平均トークンログ確率は3つのモデルのうち2つと第3のモデルに結びついている。
この背景にある分散は、1つのスタイル因子、プロットライブラリ、次の最大因子の2倍以上、ノイズフロアの1桁以上に集中している。
モデル自身のクロスレンダリングコンセンサスを微調整すると、正確さは5つのレプリケーション実行のうちの1つに該当します。
合意は、モデルのエラーがいかに拡散しているかによって設定されたしきい値以上の正しさを認定し、合意に報いる目的は、その拡散性を正確に破壊する。
関連論文リスト
- OmniJudge or OmniBias? Diagnosing Multimodal Judges through Balanced, Decoupled Lenses [15.379006872674106]
D3-Omniは、微粒なマルチモーダル理解を診断するためのバランスのとれた、分離されたベンチマークである。
次元にわたって情報を漏らすような出力を再生成するのではなく、正の正の種子を固定し、負を導出する。
結果として得られるD3設計はデュアルバランスであり、負のサンプル不足とディメンション毎のラベルの不均衡を軽減するのに役立つ。
論文 参考訳（メタデータ） (2026-08-25T07:18:35Z) - Tracing Provenance and Detecting Tampering with Complementary LLM Watermarks [68.64050157343334]
既存の透かしは編集の際は残されているが、このような堅牢性は、敵が帰属を維持しながら重要な内容を変更することを可能にする。
実証と改ざんの証拠を共同で提供する革新的な透かしを導入する。
信号は同じメカニズムを共有するが、独立キーと正規化テキスト上の異なるシードウィンドウを使用するため、一方は編集に耐性があり、もう一方は読み取り可能な変更に敏感である。
論文 参考訳（メタデータ） (2026-08-13T01:55:16Z) - A Step Towards Robust Unsupervised Domain Adaptation via Fine-Tuning and Reinforcement Learning [2.436631469537453]
我々は,2段階の堅牢なUDAフレームワークである textbfSFT+RL を提案し,Supervised Fine Tuning と Reinforcement Learning を統合した。
textbfSFT+RLは、清潔な精度で textbf10.2% を平均的に改善し、textbf15.8% を3つのデータセットで比較した。
論文 参考訳（メタデータ） (2026-07-03T20:56:12Z) - From Sparse and Imperfect 2D Anchors to Consistent 3D Gaussian Street Scenes: Support-Aware Appearance [13.51195065028002]
画像先行者は、3Dガウスのストリートシーンのターゲット条件を合成できるが、独立して編集されたビューはコヒーレントな3Dターゲットを定義しない。
このギャップに対処するため、外観焼成のために教師の相対的な外観残留蒸留を導入する。
教師アンカーとオリジナルレンダリングの間の残差により、周波数分解、信頼度推定、プリミティブレベルリフトのための構造化された空間を形成する。
論文 参考訳（メタデータ） (2026-06-24T16:26:53Z) - What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。
複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
論文 参考訳（メタデータ） (2026-06-19T06:04:17Z) - Decoding in Order-Agnostic Language Models: Chain-Rule Deviation and Uniform Spreading [0.6916773850242582]
順序に依存しない言語モデル(OALM)は任意の条件セットの下でマスク付きトークンを予測するために訓練される。
学習条件はコヒーレントな関節分布の正確な分解ではないことを示す。
信頼性トレースの形状に基づく相補的診断を提案する。
論文 参考訳（メタデータ） (2026-05-31T04:25:36Z) - Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation? [4.120238673372104]
半教師付き学習は、アノテーションのコストを削減する主要なパラダイムとなっている。
現在の進歩は2倍の過信問題によって曇っていると我々は主張する。
本稿では,二軸信頼性評価エンジン上に構築した三空間原理分割フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T08:16:40Z) - Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。
提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
論文 参考訳（メタデータ） (2023-08-19T05:34:13Z) - Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose
Estimation [63.199549837604444]
3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。
我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。
我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
論文 参考訳（メタデータ） (2022-04-05T03:52:57Z) - Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。
我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
論文 参考訳（メタデータ） (2022-02-08T18:08:24Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳（メタデータ） (2020-06-19T17:28:07Z)
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。