Fugu-MT 論文翻訳(概要): Multimodal Item Parameter Estimation using Simulated Response Probabilitie

論文の概要: Multimodal Item Parameter Estimation using Simulated Response Probabilitie

arxiv url: http://arxiv.org/abs/2608.10154v1
Date: Mon, 10 Aug 2026 19:15:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.793542
Title: Multimodal Item Parameter Estimation using Simulated Response Probabilitie
Title（参考訳）: Simulated Response Probabilitie を用いたマルチモーダルパラメータ推定
Abstract要約: Qwen3.5に基づく細調整マルチモーダル大言語モデル(LLM)を用いて,MCM(Multiple-choice Model)と3パラメータロジスティック(3PL)モデル曲線の再構成を行った。このモデルは、複数の選択項目からなる大規模なトレーニングコーパスに選択確率を再現するために、トリガーされ、微調整される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We present results from reconstructing multiple-choice model (MCM) and three-parameter logistic (3PL) model curves using a fine-tuned multimodal large language model (LLM) based on Qwen3.5. The model is prompted and fine-tuned to replicate choice probabilities across a large training corpus of multiple-choice items containing both image and text stimuli, conditioned on a labeled set of student ability levels. By learning to reproduce the systematic error patterns of students across a discrete range of abilities, the LLM implicitly captures the underlying response probabilities encoded in the 3PL and MCM curves. This allows us to accurately approximate item difficulty on a held-out test set directly from the model's predicted option probabilities.
Abstract（参考訳）: Qwen3.5に基づく細調整マルチモーダル大言語モデル(LLM)を用いて,MCM(Multiple-choice Model)と3パラメータロジスティック(PL)モデル曲線の再構成を行った。このモデルは、画像とテキストの両方の刺激を含む複数の選択項目からなる大規模な学習コーパスを、学生の能力レベルをラベル付けしたセットで調整し、選択確率を再現するよう促され、微調整される。学生の系統的エラーパターンを個別の能力範囲で再現することを学ぶことで、LLMは3PL曲線とCM曲線に符号化された基礎的な応答確率を暗黙的にキャプチャする。これにより、モデルが予測するオプション確率から直接、保持されたテストセット上のアイテムの難易度を正確に近似することができる。

関連論文リスト

Towards Fast and Effective Long Video Understanding of Multimodal Large Language Models via Adaptive Quasi-Gaussian Sampling [71.62893745623526]
ビデオフレーム選択は準ガウスサンプリングの問題である。我々はAdaQと呼ばれる適応的でトレーニングなしのアプローチを提案する。
論文参考訳（メタデータ） (2026-06-23T06:13:30Z)
Ouroboros-Spatial: Closing the Data-Model Loop for Spatial Reasoning [13.767813688729161]
既存のアプローチは、大規模で静的にキュレートされたデータセットに大きく依存している。 Ouroboros-Spatialは自己進化型トレーニングフレームワークであり、モデルがプロジェクタとソルバとして二重の役割を演じる。 Ouroboros-SpatialはQwen3-VL-4BとQwen3-VL-8Bを大幅に改善し、最近の大規模データセットよりも少ないトレーニング例を使用した。
論文参考訳（メタデータ） (2026-06-10T06:49:21Z)
Large Language Models Are Bad Dice Players: LLMs Struggle to Generate Random Numbers from Statistical Distributions [50.1404916337174]
大規模言語モデル(LLM)における母国語の確率的サンプリングの大規模,統計的に活用された最初の監査について述べる。バッチ生成は, ほぼ完全に崩壊する一方, 中央値のパスレートが13%であり, 統計的妥当性はわずかであることがわかった。現在のLCMには機能的な内部サンプルが欠如しており、統計的保証を必要とするアプリケーションに外部ツールを使う必要があると結論付けている。
論文参考訳（メタデータ） (2026-01-08T22:33:12Z)
ProM3E: Probabilistic Masked MultiModal Embedding Model for Ecology [19.17623860216468]
ProM3Eは、エコロジーのためのあらゆる世代のマルチモーダル表現のためのマスク付きマルチモーダル埋め込みモデルである。設計により、我々のモデルは埋め込み空間におけるモダリティ反転をサポートする。モーダル間類似点とモーダル間類似点を混合して,全ての検索タスクにおいて優れた性能を実現する,新たなクロスモーダル検索手法を提案する。
論文参考訳（メタデータ） (2025-11-04T19:47:22Z)
Uncertainty-Aware Answer Selection for Improved Reasoning in Multi-LLM Systems [55.6590601898194]
大規模言語モデル(LLM)は例外的な機能を示しているが、複数のLLMから最も信頼性の高い応答を選択することは依然として困難である。既存のアプローチは、しばしばコストのかかる外部検証器、人間の評価器、または単一のモデルから複数のサンプルを必要とする自己整合技術に依存している。校正されたログ類似度スコアを用いて,複数のLLMから最適な応答を選択するための,原理的,斬新で,計算的に効率的な手法を提案する。
論文参考訳（メタデータ） (2025-09-30T01:25:19Z)
Large Language Model-Based Automatic Formulation for Stochastic Optimization Models [0.0]
本稿では,大規模言語モデル(LLM)の性能に関する最初の総合的研究について述べる。チェーン・オブ・シンキングとモジュール型推論を用いてChatGPTを構造化タスクでガイドするいくつかのプロンプトを設計する。様々な問題に対して、GPT-4-Turboは部分スコア、変数マッチング、客観的精度で他のモデルよりも優れており、最も効果的なプロンプト戦略として cot_s_instructions が現れる。
論文参考訳（メタデータ） (2025-08-24T03:31:25Z)
Scalable Inference for Bayesian Multinomial Logistic-Normal Dynamic Linear Models [0.5735035463793009]
この記事では、$textitFenrir$と呼ばれる、後続状態推定に対する効率的で正確なアプローチを開発します。我々の実験から、フェンリルはスタンよりも3桁効率が良いことが示唆された。当社のメソッドは,C++で記述されたユーザフレンドリなソフトウェアライブラリとして,Rインターフェースを備えたコミュニティで利用可能です。
論文参考訳（メタデータ） (2024-10-07T23:20:14Z)
ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models [69.50316788263433]
本稿では,事前学習された視覚言語モデルの埋め込みに対する確率分布を推定する確率的アダプタProbVLMを提案する。本稿では,検索タスクにおける不確実性埋め込みのキャリブレーションを定量化し,ProbVLMが他の手法よりも優れていることを示す。本稿では,大規模な事前学習型潜伏拡散モデルを用いて,埋め込み分布を可視化する新しい手法を提案する。
論文参考訳（メタデータ） (2023-07-01T18:16:06Z)
Response Time Improves Choice Prediction and Function Estimation for Gaussian Process Models of Perception and Preferences [4.6584146134061095]
選好学習と心理物理学における人間の選択予測のモデルは、しばしば二分反応データのみを考慮する。本稿では拡散決定モデル(DDM)の新たな微分可能近似法を提案する。次に、この新たな可能性を使って、二進選択のためにRTをGPモデルに組み込む。
論文参考訳（メタデータ） (2023-06-09T23:22:49Z)
Test-Time Adaptation with CLIP Reward for Zero-Shot Generalization in Vision-Language Models [76.410400238974]
モデル出力を補正し、モデルが盲目的に自信を持たないようにするためのフィードバック付きTTAを提案する。 CLIPモデルは、TTA中に報酬モデルとして採用され、VLMにフィードバックを提供する。提案したCLIPフィードバック(RLCF)フレームワークによるテキスト強化学習は非常に柔軟で普遍的である。
論文参考訳（メタデータ） (2023-05-29T11:03:59Z)
Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文参考訳（メタデータ） (2021-08-26T17:55:11Z)
Query Training: Learning a Worse Model to Infer Better Marginals in Undirected Graphical Models with Hidden Variables [11.985433487639403]
確率的グラフィカルモデル(PGM)は、柔軟な方法でクエリできる知識のコンパクトな表現を提供する。我々は,PGMを学習するメカニズムであるクエリトレーニング(QT)を導入し,それと組み合わせる近似推論アルゴリズムに最適化する。実験により,QTを用いて隠れ変数を持つ8連結グリッドマルコフランダム場を学習できることが実証された。
論文参考訳（メタデータ） (2020-06-11T20:34:32Z)
AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。