論文の概要: Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No
- arxiv url: http://arxiv.org/abs/2608.08315v1
- Date: Sat, 08 Aug 2026 19:57:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.766016
- Title: Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No
- Title（参考訳）: あなたのVLMは、いつまでも知っている:YesかNoかを尋ねる訓練不要の時間グラウンド
- Abstract要約: イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。
この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
- 参考スコア（独自算出の注目度）: 2.531680975633497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal LLMs that recognise events reliably still fail to say when they happen. Prompted for timestamps, strong VLMs reach as little as $3.8\%$ R@0.5 on Charades-STA, and $77$ to $80\%$ of their wrong predictions carry low output entropy: the models are confidently wrong, and entropy-based error detection stays below a random classifier. We show that this failure lives in the task interface, not in perception. Holding the weights fixed, replacing timestamp regression with a coarse-to-fine scan of binary questions, whose first-token probabilities are consumed only as a ranking, raises R@0.5 by $28$ to $50$ points across four frozen backbones. The residual failures decompose into two measurable axes: a perception axis that moves with the backbone, and a geometry axis that is analytically predictable from the ratio of the output-window and event widths. FV-Action, the training-free method built on this analysis, reaches $56.8\%$ R@0.5 on Charades-STA, above the same backbone's native grounding pipeline and the strongest training-free result on this benchmark; it surpasses every TVG-trained model evaluated zero-shot on TACoS, and improves over direct prediction on ActivityNet Captions and QVHighlights, with no temporal supervision at any stage.
- Abstract（参考訳）: イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。
タイムスタンプ向けに開発された強力なVLMは、Charades-STAで3.8\%$R@0.5まで到達し、間違った予測の7ドルから80\%$は出力のエントロピーが低い。
この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
重みを固定し、タイムスタンプのレグレッションを粗い2分の1の質問に置き換え、その最初の確率はランク付けとしてのみ消費され、凍結した4つのバックボーンでR@0.5を28ドルから50ドルポイント引き上げる。
残留故障は、バックボーンで動く知覚軸と、出力ウィンドウと事象幅の比から解析的に予測可能な幾何学軸の2つの測定可能な軸に分解される。
この分析に基づいて構築されたトレーニングフリーのFV-Actionは、同じバックボーンのネイティブグラウンドパイプラインの上位で、このベンチマークで最強のトレーニングフリーの結果であるCharades-STAで56.8 %$ R@0.5に達した。
関連論文リスト
- ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - Lévy Attention: Single-Pass Predictive Uncertainty for Continuous-Time Attention [0.0]
レヴィ・アテンション(英: Lévy Attention)は、不均質なランダム測度に対して出力が積分的なクロスアテンション作用素である。
t-PatchGNNオペレーターは、一致した制御に対してコストを5.6%の精度でスワップする。
1回のパスでは3,383人の未確認患者が1.4秒で信頼されている。
論文 参考訳（メタデータ） (2026-08-19T17:50:16Z) - Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - When Can You Correct Distribution Drift in Temporal Graph Generation? A Sharpening--Drift Tension and an Impossibility for Observation-Based Correction [16.716278644368]
時間グラフの生成モデルは、進化するネットワークの1つのストレッチでトレーニングされ、次にデプロイされる。
この劣化は一般に導出可能であり、観測では固定不可能である。
過去の観測に対して測定可能な任意の補正器が、少なくともその統計量の条件分散を残していることを証明している。
論文 参考訳（メタデータ） (2026-07-27T16:59:57Z) - Black-Box Assisted Regression: Phase Transitions and Minimax Optimality [13.030603690976202]
ファンデーションモデルは、ラベル付きデータに制限のある下流タスクのための固定されたブラックボックス予測器としてしばしば使用される。
有限サンプルのミニマックス特徴づけを$_c(n) asymp n-/(2+d)$で表し、主要なリスクは$min2, n-2/(2+d)$である。
Safe Residual Estimatorを解析し、$f_0$あたりの補正を学習し、残留ヘッドを0で初期化し、初期予測器が$f_0$に等しいようにし、ホールドアウト選択を使用する。
論文 参考訳（メタデータ） (2026-06-24T12:11:59Z) - Capacity-Constrained Online Convex Optimization with Delayed Feedback [58.59385794080679]
容量制約下での遅延オンライン凸最適化(OCO)について検討した。
1次フィードバックの場合、容量$C = (log T)$ sufficesで標準遅延OCOレートを対数係数まで回復できることがわかった。
包帯フィードバックの場合、後悔率は$(1 + _textmax/C)$で変調される。
論文 参考訳（メタデータ） (2026-06-10T06:37:06Z) - Causal Label Recovery in Payment Networks [0.0]
支払いネットワークにおける不正検出モデルは、体系的にバイアスのあるチャージバックラベルでトレーニングする。
共用紙 [arXiv05:26.27557] は、これらの4つの障害が検出性能に最小限の上限を課すことを示した。
観測パイプラインを3段階, 破損層を有する逐次欠落データ問題として定式化し, 逐次トリプライロバスト推定器を構築した。
論文 参考訳（メタデータ） (2026-05-28T02:43:34Z) - Introspection Fine-Tuning (IFT): Training Small LLMs to Introspect [0.0]
本研究は,小言語モデルが内的アクティベーションを検出・報告できるかどうかを考察する。
まず,先行研究で使用される二項検出パラダイムが,質問内容に関係なく肯定的応答に偏りを示すため,小さなモデルで構築されていることを示す。
次に、モデル自身の摂動前進パスから構築した文局在化例を教師付き微調整するEmphIntrospection Fine-Tuning(IFT)を導入する。
論文 参考訳（メタデータ） (2026-05-08T05:30:26Z) - Learning Shrinks the Hard Tail: Training-Dependent Inference Scaling in a Solvable Linear Model [2.7074235008521246]
ニューラルネットワークのスケーリング法則を最終層微細チューニングの解法モデルで解析する。
学習がエラー分布の「ハードテール」を小さくすることを示す。
論文 参考訳（メタデータ） (2026-01-07T10:00:17Z) - ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。
ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
論文 参考訳（メタデータ） (2025-12-01T09:44:31Z) - Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。
認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。
この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
論文 参考訳（メタデータ） (2025-10-01T13:56:44Z) - From Continual Learning to SGD and Back: Better Rates for Continual Linear Models [50.11453013647086]
以前見られたタスクの損失を、$k$の繰り返しの後、忘れること、すなわち、分析する。
実現可能な最小二乗の設定において、新しい最上界を創出する。
我々は、タスクを繰り返しないランダム化だけで、十分に長いタスクシーケンスで破滅的な事態を防げることを初めて証明した。
論文 参考訳（メタデータ） (2025-04-06T18:39:45Z)
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。