論文の概要: GraphVerse: A Comprehensive Visual Graph Reasoning Benchmark for Multimodal Large Language Models
- arxiv url: http://arxiv.org/abs/2608.06769v1
- Date: Fri, 07 Aug 2026 03:43:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.341559
- Title: GraphVerse: A Comprehensive Visual Graph Reasoning Benchmark for Multimodal Large Language Models
- Title（参考訳）: GraphVerse: マルチモーダルな大規模言語モデルのための総合的なビジュアルグラフ推論ベンチマーク
- Abstract要約: GraphVerseは、MLLMにおける知覚、視覚的推論、テキストベースのグラフ推論を共同で評価するベンチマークである。
中心となるのは、グラフ中心の画像編集戦略のスイートで、グラフイメージをセマンティクスを保持しながら変更する。
VGR-Scoreは最終回答精度以上の推論品質を評価するプロセスセンシティブなメトリクスである。
- 参考スコア（独自算出の注目度）: 26.945369697013458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent Multimodal Large Language Models (MLLMs) have achieved remarkable progress across diverse vision-language tasks, creating an urgent need for more challenging benchmarks. Yet existing evaluations still provide limited insight into whether these models can truly reason over structured visual information. Visual Graph Reasoning (VGR) offers a compelling testbed for this challenge, requiring models to integrate perception, structural understanding, and multi-step reasoning over graph-based visual inputs. However, prior VGR benchmarks often reduce the task to visual perception followed by text-based reasoning, restrict evaluation to single-image settings, rely on answer-only metrics, and underrepresent realistic graph-centric scenarios. To bridge the gap, we introduce GraphVerse, a unified benchmark that jointly evaluates perception, visual reasoning, and text-based graph reasoning in MLLMs under both single-image and paired-image settings. At its core is a suite of Graph-centric Image Editing (GIE) strategies that modify graph images while preserving their semantics, turning them into active tests of visual reasoning. We further propose VGR-Score, a process-sensitive metric that evaluates reasoning quality beyond final-answer accuracy. Extensive experiments reveal several key limitations of current MLLMs in VGR, while also validating the effectiveness of GIE strategies and the transferability of GraphVerse to broader multimodal reasoning capabilities. The code is available at https://github.com/sunyuanfu/GraphVerse.
- Abstract（参考訳）: 最近のMLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な進歩を遂げており、より困難なベンチマークの緊急なニーズを生み出している。
しかし、既存の評価では、これらのモデルが構造化された視覚情報に対して真に理にかなっているかどうかについての洞察が限られている。
Visual Graph Reasoning (VGR)は、この課題に対して魅力的なテストベッドを提供する。
しかしながら、以前のVGRベンチマークでは、視覚的な知覚へのタスクを減らし、テキストベースの推論、単一イメージ設定の評価の制限、回答のみのメトリクスへの依存、現実的なグラフ中心のシナリオの不足が続いていた。
このギャップを埋めるために、単一画像とペア画像の両方の設定下でMLLMの知覚、視覚的推論、テキストベースのグラフ推論を共同で評価する統合ベンチマークであるGraphVerseを導入する。
中心となるのは、グラフ中心の画像編集(GIE)戦略のスイートで、グラフイメージをセマンティクスを保持しながら変更し、視覚的推論のアクティブテストに変換する。
さらに、最終回答精度を超える推論品質を評価するプロセス感度測定値であるVGR-Scoreを提案する。
大規模な実験では、VGRにおける現在のMLLMの重要な制限がいくつか示され、また、GIE戦略の有効性と、より広範なマルチモーダル推論能力へのGraphVerseの転送可能性も検証されている。
コードはhttps://github.com/sunyuanfu/GraphVerse.comで入手できる。
関連論文リスト
- Toward Graph-Tokenizing Large Language Models with Reconstructive Graph Instruction Tuning [17.712367049197212]
大きな言語モデル(LLM)がグラフをよりよく理解できるように、グラフデータを言語空間と整合させることが課題である。
GTokenLLMは複雑な構造と長いテキストをグラフトークンシーケンスにエンコードし、言語命令のチューニングを通じてテキストトークンと整列する。
最初の成功にもかかわらず、我々の情報理論分析により、既存のGTokenLLMは言語命令からのテキスト管理のみに依存していることが明らかとなった。
論文 参考訳（メタデータ） (2026-03-02T02:26:54Z) - More Images, More Problems? A Controlled Analysis of VLM Failure Modes [80.64323947730905]
大規模視覚言語モデル (LVLM) は目覚ましい能力を示しているが、複数の画像に対する理解と推論の能力は未解明のままである。
LVLMのマルチイメージ能力を厳格に評価する新しいベンチマークMIMICを紹介する。
論文 参考訳（メタデータ） (2026-01-12T18:45:13Z) - When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought [118.71264263478083]
MIRAは,中間画像の生成が推論の成功に不可欠であるシナリオにおいて,モデルを評価するために設計された新しいベンチマークである。
546のマルチモーダル問題を含み、中間画像と最終回答が注釈付きである。
論文 参考訳（メタデータ） (2025-11-04T18:00:51Z) - SCENIR: Visual Semantic Clarity through Unsupervised Scene Graph Retrieval [1.51422963961219]
本稿では,グラフオートエンコーダに基づく教師なし検索フレームワークSCENIRを提案する。
提案モデルは,既存のビジョンベース,マルチモーダル,教師付きGNNアプローチよりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-05-21T11:56:09Z) - RefChartQA: Grounding Visual Answer on Chart Images through Instruction Tuning [63.599057862999]
RefChartQAは、Chart Question Answering(ChartQA)とビジュアルグラウンドを統合した、新しいベンチマークである。
実験により,グラウンド化による空間認識を取り入れることで,応答精度が15%以上向上することが実証された。
論文 参考訳（メタデータ） (2025-03-29T15:50:08Z) - Graph-to-Vision: Multi-graph Understanding and Reasoning using Vision-Language Models [10.813015912529936]
VLM(Vision-Language Models)のマルチグラフ推論能力の評価と向上を目的とした,初の総合ベンチマークを導入する。
本ベンチマークでは,4つの共通グラフ型(知識グラフ,フローチャート,マインドマップ,ルートマップ)を網羅し,同種グラフ群と異種グラフ群をサポートする。
グラフ解析,推論整合性,命令追従精度を評価する多次元スコアリングフレームワークを用いて,最先端のVLMを評価した。
論文 参考訳（メタデータ） (2025-03-27T12:20:37Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - VisGraphVar: A Benchmark Generator for Assessing Variability in Graph Analysis Using Large Vision-Language Models [1.597617022056624]
LVLM(Large Vision-Language Models)は、抽象的な視覚タスクに取り組む能力がますます高まっている。
VisGraphVarは7つのタスクカテゴリのグラフ画像を生成することができる、カスタマイズ可能なベンチマークジェネレータである。
画像の視覚特性の変化(例えばノードのラベル付けやレイアウト)と視覚的不完全さの意図的な含意がモデルの性能に大きく影響することを示す。
論文 参考訳（メタデータ） (2024-11-22T10:10:53Z) - G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。
一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。
G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文 参考訳（メタデータ） (2024-02-12T13:13:04Z) - GITA: Graph to Visual and Textual Integration for Vision-Language Graph Reasoning [30.23658922980425]
我々は、$textbfG$raph to v$textbfI$sual and $textbfT$extual Integr$textbfA$tion (GITA)というエンドツーエンドフレームワークを提案する。
GITAはまず、ビジュアルグラフを一般的なグラフ推論に組み込む。
GVLQAデータセットと5つの実世界のデータセットの実験は、GITAが一般的なグラフ推論能力において、メインストリームのLLMよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-02-03T12:19:47Z) - Which Modality should I use -- Text, Motif, or Image? : Understanding Graphs with Large Language Models [14.251972223585765]
本稿では,テキスト,画像,モチーフなどの多様性を持つグラフを符号化する新たな手法を提案する。
また、グラフ構造解析において、LLM(Large Language Models)を評価するための新しいベンチマークであるGraphTMIも提示されている。
論文 参考訳（メタデータ） (2023-11-16T12:45:41Z) - Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。
この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。
推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
論文 参考訳（メタデータ） (2022-10-13T13:19:51Z)
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。