論文の概要: FADE: From Passive Verification to Active Discovery in Counterfactual Video Understanding

• arxiv url: http://arxiv.org/abs/2608.10764v1
• Date: Tue, 11 Aug 2026 10:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.004648
• Title: FADE: From Passive Verification to Active Discovery in Counterfactual Video Understanding
• Title（参考訳）: FADE: パッシブな検証から非現実的ビデオ理解におけるアクティブな発見へ
• Abstract要約: 既存のMultiple-choice question (MCQ)ベンチマークは、質問や候補オプションを通じて、意図的にターゲットイベントをリークする。 本稿では, 対実的発見と説明のための効果的なトレーニングフレームワークであるFADEを紹介する。 FADEは、DualityVidQA-test と IPV-Bench の3つのタスクにまたがる、最先端の厳密なペアスコアを達成し、GPT-5.6を上回った。
• 参考スコア（独自算出の注目度）: 19.559643217912114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual video understanding evaluates whether models grasp physical and commonsense regularities. However, existing multiple-choice question (MCQ) benchmarks inadvertently leak target events through their questions and candidate options. This reduces the core challenge from active discovery to text-guided verification. In this paper, we present FADE, an effective training framework for counterfactual discovery and explanation. Our method is built on an evidence-first, two-stage training paradigm. First, evidence-internalized supervised fine-tuning grounds the model's predictions in decisive visual anomalies. Second, we apply a fading-anchor reinforcement learning strategy that progressively removes textual guidance, compelling the model to independently discover and explain evidence. To rigorously evaluate this capability, we also introduce an effective pipeline that converts existing MCQ datasets into aligned MCQ, open-ended question answering (OQA), and captioning tasks without requiring additional data curation. Our simple approach yields strong results. Using Qwen3-VL-8B as the baseline, FADE achieves state-of-the-art strict paired scores across all three tasks on DualityVidQA-test and IPV-Bench, outperforming GPT-5.6. In specific, when transitioning from constrained MCQs to unconstrained OQA and captioning, our model demonstrates remarkable robustness. Its performance retention is 90.4% and 67.4% on DualityVidQA-test-substantially higher than the 48.1% and 30.7% retained by GPT-5.6. We hope this simple framework can serve as a solid baseline for future research in unconstrained counterfactual video understanding.
• Abstract（参考訳）: 対物的ビデオ理解は、モデルが物理的および常識的規則性を把握するかどうかを評価する。 しかし、既存のMultiple-choice question (MCQ)ベンチマークは、質問や候補オプションを通じて、意図せずターゲットイベントをリークする。 これにより、アクティブな発見からテキストガイドによる検証まで、中核的な課題が軽減される。 本稿では,事実発見と説明のための効果的なトレーニングフレームワークであるFADEを提案する。 提案手法はエビデンスファーストの2段階トレーニングパラダイムに基づいて構築されている。 第一に、エビデンスをインターナライズした教師による微調整は、決定的な視覚異常におけるモデルの予測を根拠にしている。 第2に,テキスト指導を段階的に除去するフェードアンカー強化学習戦略を適用し,証拠を独立に発見・説明するようモデルに促す。 また,この機能を厳格に評価するために,既存のMCQデータセットを協調MCQ,オープンエンド質問応答(OQA)、追加のデータキュレーションを必要とせずにキャプションタスクに変換する,効果的なパイプラインを導入する。 我々の単純なアプローチは強い結果をもたらす。 Qwen3-VL-8Bをベースラインとして、FADEはDualityVidQA-testとIPV-Benchの3つのタスクで最先端の厳密なペアリングスコアを達成し、GPT-5.6を上回った。 特に,制約のないMCQから制約のないOQA,キャプションへの移行では,顕著な堅牢性を示す。 性能保持率は90.4%と67.4%で、DualityVidQAテストは48.1%、GPT-5.6で30.7%であった。 このシンプルなフレームワークが、制約のない対実的ビデオ理解における将来の研究の基盤となることを願っている。

関連論文リスト

• Counterfactual Reasoning for Robust Visual Question Answering [5.8572830941696985]
  本稿では,視覚質問応答(VQA)モデルに対する対実的コントラスト学習を強化する新しいトレーニングフレームワークを提案する。 本フレームワークでは,(1)安定多目的最適化のための3段階のカリキュラム,(2)より差別的な特徴学習のためのバッチ・コントラスト・ロスの強化,(3)新しい正規化ツールの2つを導入している。 本モデルでは,標準VQA v2データセットの62.80%を維持しつつ,バイアス感受性VQA-CP v2ベンチマークで61.64%の競合精度を実現し,その差は1.16%と小さい。
  論文  参考訳（メタデータ） (2026-09-15T03:06:11Z)
• Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
  既存のベンチマークは、主に質問レベルで質問をキュレートする。 ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
  論文  参考訳（メタデータ） (2025-12-31T13:55:54Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Beyond Isolated Facts: Synthesizing Narrative and Grounded Supervision for VideoQA [37.679936989592996]
  よりリッチな監視信号を合成するためのフレームワークを導入する。 質問ベースパラフレーズ(QBP)と質問ベースキャプション(QBC)の2つの補完戦略を提案する。
  論文  参考訳（メタデータ） (2025-09-29T08:28:44Z)
• From Harm to Help: Turning Reasoning In-Context Demos into Assets for Reasoning LMs [58.02809208460186]
  デモとしてDeepSeek-R1の高品質なトレースを使って、このパラドックスを再検討する。 デモが最適であっても、より多くの例を加えることで、常に精度が低下することがわかった。 デモを明示的で再利用可能な洞察に変換するシーケンシャルなテストタイム手順であるInsight-to-solve(I2S)を紹介します。
  論文  参考訳（メタデータ） (2025-09-27T08:59:31Z)
• Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models [77.96693360763925]
  Video SimpleQAは、ビデオコンテキストにおける事実性評価に適した最初の包括的なベンチマークである。 我々の研究は、既存のビデオベンチマークとは以下の重要な特徴によって異なる: 知識: ビデオの明示的な物語を超えた外部知識の統合を要求する。 短い形式の決定的な答え: 回答は、最小のスコアリング分散を持つ短いフォーマットで、曖昧で決定的に正しいものとして作成されます。
  論文  参考訳（メタデータ） (2025-03-24T17:46:09Z)
• Towards Robust Extractive Question Answering Models: Rethinking the Training Methodology [0.34530027457862006]
  従来の研究によると、既存のモデルは、答えがつかない質問を含むEQAデータセットでトレーニングされた場合、ロバスト性の著しい欠如を示している。 提案手法は,EQA問題に対する新たな損失関数を含み,多数のEQAデータセットに存在する暗黙の仮定に挑戦する。 本モデルでは,2種類の敵攻撃に対するロバスト性が有意に向上し,デフォルトモデルに比べて性能は3分の1程度低下した。
  論文  参考訳（メタデータ） (2024-09-29T20:35:57Z)
• Chain of Evidences and Evidence to Generate: Prompting for Context Grounded and Retrieval Augmented Reasoning [3.117335706912261]
  チェイン・オブ・エビデンス(CoE)とエビデンス・トゥ・ジェネレーション(E2G)は2つのユニークな戦略に基づいて構築されている。 根拠のない推論の主張の代わりに、我々の革新的なアプローチは「意思決定の証拠」の力を利用する。 我々のフレームワークは、様々な知識集約的推論および生成タスクにおいて、常に顕著な結果を達成する。
  論文  参考訳（メタデータ） (2024-01-11T09:49:15Z)
• Answering from Sure to Uncertain: Uncertainty-Aware Curriculum Learning for Video Question Answering [63.12469700986452]
  不確実性を考慮したカリキュラム学習(CL)の概念を導入する。 ここで不確実性は、困難を動的に調整するための指針となる。 実際に、我々は、ビデオQAモデルを我々のフレームワークにシームレスに統合し、包括的な実験を行う。
  論文  参考訳（メタデータ） (2024-01-03T02:29:34Z)

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。