論文の概要: Conformal Coverage Guarantees for Any Video Temporal Grounder

• arxiv url: http://arxiv.org/abs/2608.07434v1
• Date: Fri, 07 Aug 2026 17:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.579507
• Title: Conformal Coverage Guarantees for Any Video Temporal Grounder
• Title（参考訳）: ビデオ仮設グラウンドのコンフォーマルカバー保証
• Abstract要約: 連続ビデオにおけるイベント境界は曖昧である: 同じクエリ-ビデオペアと独立アノテータを再アノテートすると、大量のサンプルに対して半分以下に重複するモーメントをマークする。 COVERは出力オブジェクトを変更する。モデルに依存しないラッパーで、グライダー、訓練されたローカライザ、あるいはブラックボックスのビデオ言語モデルをすべて変換する。 2つのスコアファミリ、グラウンドに間隔を出力するグラウンドと、関連する信号を出力するグラウンドに超レベルセットのスコアの2つの境界ワイドスコア。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event boundaries in continuous video are ambiguous: re-annotate the same query-video pair and independent annotators mark moments that overlap by less than half on a large fraction of samples. The ground truth for video temporal grounding is therefore a distribution over intervals, yet every grounder returns a single interval with no statement of reliability, so at deployment a wrong interval is indistinguishable from a right one. COVER changes the output object: a post-hoc, model-agnostic wrapper that turns any grounder, a trained localizer or a black-box video--language model, into one that emits a temporal region containing the true moment with probability at least $1-α$, by calibrating the quantile of a temporal nonconformity score on held-out labels and widening the base prediction by that amount. The guarantee is finite-sample and distribution-free under exchangeability, and requires neither retraining nor white-box access. We give two score families, a two-sided boundary-widening score for grounders that emit an interval and a super-level-set score for grounders that emit a relevance signal, and develop theory specific to grounding that bounds how large the certified region becomes, when coverage survives conditioning on event length, and how it degrades when moments from one video break exchangeability. Across three benchmarks and five grounders, realized coverage tracks the target, and calibration exposes what point metrics hide.
• Abstract（参考訳）: 連続ビデオにおけるイベント境界は曖昧である: 同じクエリ-ビデオペアと独立アノテータを再アノテートすると、大量のサンプルに対して半分以下に重複するモーメントをマークする。 したがって、ビデオの時間的グラウンドの根本的真理は間隔の分布であるが、すべてのグラウンドは信頼性のステートメントのない単一区間を返すため、配置時に間違った間隔が正しい区間と区別できない。 ホールドアウトラベル上の時間的非整合性のスコアの量子を校正し、ベース予測をその量で拡張することにより、トレーニングされたローカライザまたはブラックボックスビデオ言語モデルから、真モーメントを含む時間領域を少なくとも1-α$の確率で出力する。 保証は有限サンプルであり、交換不能であり、再トレーニングもホワイトボックスアクセスも必要としない。 本研究では,2つのスコアファミリ,2つのスコアファミリ,2つのスコアファミリ,2つのグラウンドを出力するグラウンドと,関連信号を発するグラウンドに対して超レベルセットスコアを付与する。 3つのベンチマークと5つのグラウンドで、カバレッジがターゲットを追跡することに気付き、キャリブレーションはメトリクスが隠しているポイントを公開する。

関連論文リスト

• PERSIST: Persistent-State Discrimination for Shot Boundary Detection [2.2822910284300355]
  ショット境界検出(SBD)は局所的な視覚不連続の局所化として広く扱われている。 境界意味識別としてSBDを再構成する。 PerSISTはすべての決定を検査可能な決定に変換する。
  論文  参考訳（メタデータ） (2026-08-29T14:23:00Z)
• Multi-Agent Self-Improving Reinforcement Learning for Video Reasoning [45.361080098317665]
  グラウンドドビデオ質問応答や時間的グラウンド化のようなビデオ推論タスクは、クエリをサポートする時間的エビデンスを選択する必要がある。 凍結検証器がトレーニングをガイドできるかどうかについて検討する。 我々のフレームワークは、トレーニング可能なEmphGrounderと凍結したEmphVerifierを結合する: Grounderは候補の軌跡とエビデンスセグメントをサンプリングする。
  論文  参考訳（メタデータ） (2026-08-25T07:46:32Z)
• The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
  3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。 2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。 80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
  論文  参考訳（メタデータ） (2026-08-06T17:57:06Z)
• TimePLE: Rethinking Temporal Representation for Video Temporal Grounding [45.27333302368563]
  ビデオ時間グラウンド(VTG)は、自然言語クエリによって記述された連続的なビデオ間隔をローカライズすることを目的としている。 本稿では,VTGを終端予測からインターバルネイティブグラウンドに再構成するTimePLEを提案する。 4つのVTGベンチマークによる実験によると、TimePLEは終端予測ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-27T02:56:43Z)
• TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs [36.2604844032041]
  ビデオマルチモーダル大言語モデル(MLLM)は、ビデオ内で何が起こるかを記述することができるが、支持された証拠がいつ発生したかを特定することは滅多にない。 本研究では,ビデオの長さ,領域,クエリフォーム,視点をまたいだエビデンス間隔の変動心電図を1つのモデルで予測する一般的なビデオ時間的グラウンドについて検討する。 TimeLens2は、時間的エビデンスを、監督と最適化を通じて設定されたインターバルとして扱う。
  論文  参考訳（メタデータ） (2026-07-19T22:04:33Z)
• Foresee-to-Ground: From Predictive Temporal Perception to Evidence-Driven Reasoning for Video Temporal Grounding [86.37002814396674]
  ビデオ時間グラウンドのためのフォアシー・ツー・グラウンド(F2G)を提案する。 F2Gは予測的時間知覚とエビデンス駆動推論を統合している。 さまざまなベンチマークでグラウンド化の精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-05-21T04:03:25Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• E.M.Ground: A Temporal Grounding Vid-LLM with Holistic Event Perception and Matching [87.38371267983263]
  時間的ビデオグラウンディングは、クエリイベントに対応する時間セグメントを正確にローカライズすることを目的としている。 E.M.GroundはTVGのための新しいVid-LLMで、総合的で一貫性のあるイベント知覚に焦点を当てている。 E.M.Ground は最先端の Vid-LLM を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-05T02:16:00Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• Temporal Transductive Inference for Few-Shot Video Object Segmentation [27.140141181513425]
  Few-shot Object segmentation (FS-VOS) は、初期訓練中に見えないクラスのラベル付き例を用いて、ビデオフレームのセグメンテーションを目的としている。 我々のアプローチの鍵は、グローバルな時間的制約とローカルな時間的制約の両方を使用することである。 経験的に、我々のモデルは、YouTube-VIS上の組合間の平均交点を2.8%上回る、最先端のメタラーニングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-03-27T14:08:30Z)

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。