論文の概要: Multi-Modal Generative Fuzzy System: Fuzzy Inference Guided Large Model Interactive Question Answering Framework

• arxiv url: http://arxiv.org/abs/2608.14584v1
• Date: Wed, 17 Jun 2026 01:22:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.219144
• Title: Multi-Modal Generative Fuzzy System: Fuzzy Inference Guided Large Model Interactive Question Answering Framework
• Title（参考訳）: 多モード生成ファジィシステム:ファジィ推論ガイドによる大モデル対話型質問応答フレームワーク
• Abstract要約: MMGFS(Multi-Modal Generative Fuzzy System)と呼ばれるファジィ推論誘導型マルチモーダル生成アーキテクチャを提案する。 第一に、マルチモーダルコラボレーティブなルミネーション機構によってモダリティバイアスを緩和する。 第二に、ファジィルールとマルチホップ推論機構を導入し、ドメイン間の知識融合と階層的推論をサポートする。
• 参考スコア（独自算出の注目度）: 15.313523821493135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Multimodal Question Answering (MQA), models are required to jointly encode and integrate heterogeneous information from multiple modalities, including text, images, and speech, to perform complex semantic reasoning and decision making. Despite recent advances, existing approaches, including traditional deep learning models and Large Models (LMs) or prompt-based frameworks, continue to face several critical challenges. First, modality bias arises from discrepancies in feature distributions across different modalities, which limits effective cross modal collaborative understanding. Second, many questions require knowledge drawn from multiple domains, introducing significant uncertainty. Third, current methods often rely on shallow semantic matching, resulting in limited reasoning depth an reduced interpretability. To address these issues, inspired by the traditional fuzzy system (FS) framework, we propose a fuzzy-inference-guided multimodal generative architecture termed the Multi-Modal Generative Fuzzy System (MMGFS). The main contributions of MMGFS are two folds. First, it alleviates modality bias through a multimodal collaborative rumination mechanism. Second, it introduces fuzzy rules and a multi-hop inference mechanism to support cross-domain knowledge fusion and hierarchical reasoning, thereby strengthening uncertainty modelling and deepening semantic understanding. We conduct comprehensive evaluations on open-domain question answering datasets, including MultimodalQA and WebQA, as well as domain-specific benchmarks, including BioMol-VQA and EHRxQA. Experimental results demonstrate that MMGFS consistently outperforms existing methods across multiple datasets. It effectively mitigates modality bias and question uncertainty while achieving superior performance in answer accuracy, consistency, and generalization.
• Abstract（参考訳）: MQA(Multimodal Question Answering)では、複雑な意味論的推論と意思決定を行うために、テキスト、画像、音声を含む複数のモーダルからの異種情報を共同でエンコードして統合する必要がある。 最近の進歩にもかかわらず、従来のディープラーニングモデルや大規模モデル(LM)、あるいはプロンプトベースのフレームワークを含む既存のアプローチは、いくつかの重要な課題に直面し続けている。 第一に、モダリティバイアスは、異なるモダリティにまたがる特徴分布の相違から生じ、効果的にモダリティ間の協調的な理解を制限する。 第二に、多くの疑問は複数の領域から引き出された知識を必要とし、重大な不確実性をもたらす。 第3に、現在の手法は浅いセマンティックマッチングに依存することが多く、推論深度が制限され、解釈可能性が低下する。 本稿では,従来のファジィシステム(FS)フレームワークにヒントを得て,MMGFS(Multi-Modal Generative Fuzzy System)と呼ばれるファジィ推論誘導型多モード生成アーキテクチャを提案する。 MMGFSの主な貢献は2つの折り畳みである。 第一に、マルチモーダルコラボレーティブなルミネーション機構によってモダリティバイアスを緩和する。 第二に、ファジィルールとマルチホップ推論機構を導入し、ドメイン間の知識融合と階層的推論をサポートし、不確実性モデリングを強化し、セマンティック理解を深める。 我々は、MultimodalQAやWebQAを含むオープンドメイン質問応答データセットと、BioMol-VQAやEHRxQAを含むドメイン固有のベンチマークを総合的に評価する。 実験の結果、MMGFSは複数のデータセットで既存のメソッドを一貫して上回っていることがわかった。 解答精度、一貫性、一般化において優れた性能を達成しつつ、モダリティバイアスと疑問の不確実性を効果的に緩和する。

関連論文リスト

• Evolution of Multimodal Question Answering: From Modality-Adaptive Extraction to Unified Language Representation [0.0]
  我々は、マルチモーダル適応抽出(MAE)、ソーラー、UniMMQAを比較し、マルチモーダル質問応答の進化をトレースする。 本分析は、明示的なモダリティ特化処理から統一されたテキスト中心の定式化への移行を示す。 これらの進歩にもかかわらず、モダリティ変換時の情報損失、多段パイプラインにおけるエラーの伝播、細粒度のクロスモーダル依存関係の取得における制限など、永続的な課題を識別する。
  論文  参考訳（メタデータ） (2026-09-08T15:34:00Z)
• Multi-Modal Anomaly Detection: A Survey [21.953084534543237]
  MMAD(Multi-Modal Anomaly Detection)は異種データからの異常事象を検出する。 MMADは、産業検査やサイバーセキュリティといった安全および信頼性に重要なアプリケーションでますます利用されている。 問題を形式化し、その中核となる課題の根底にある5つの本質的な特徴を特定し、先行研究を2つの相補的なパラダイムにまとめる。
  論文  参考訳（メタデータ） (2026-08-24T01:53:22Z)
• Tackling Multimodal Learning Challenges with Mixture-of-Expert: A Survey [9.493180287898381]
  Mixture-of-Experts (MoE)は、マルチモーダル学習のための自然な互換性とスケーラブルなフレームワークを提供する。 既存の調査では、メソッド分類学とは独立して、マルチモーダル学習またはMoEを評価する傾向にある。 この調査は、中心的な問いに答えることでギャップを埋める:textit MoEはマルチモーダルな課題を効果的に解決するのか?
  論文  参考訳（メタデータ） (2026-05-22T05:01:21Z)
• From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
  疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。 モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。 タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
  論文  参考訳（メタデータ） (2026-01-28T09:29:40Z)
• MMD-Thinker: Adaptive Multi-Dimensional Thinking for Multimodal Misinformation Detection [8.06079393106578]
  マルチモーダルな誤報はさまざまなソーシャルメディアに溢れ、AIGC(AIGC)の時代においても進化を続けている。 近年の研究では、汎用多目的大言語モデル(MLLM)を活用して、検出において顕著な結果が得られている。 適応型多次元思考によるマルチモーダル誤情報検出のための2段階フレームワークであるMDD-Thinkerを提案する。
  論文  参考訳（メタデータ） (2025-11-17T11:04:30Z)
• MMQ: Multimodal Mixture-of-Quantization Tokenization for Semantic ID Generation and User Behavioral Adaptation [16.81485354427923]
  本稿では,新しいマルチモーダルトークンをトレーニングする2段階フレームワークであるMMQを提案する。 MMQは多モードのシナジー、特異性、行動適応を統一し、生成的検索と識別的ランキングタスクの両方にスケーラブルで汎用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-21T06:15:49Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• Multimodal Chain-of-Thought Reasoning: A Comprehensive Survey [124.23247710880008]
  マルチモーダルCoT (MCoT) 推論は近年大きな研究の注目を集めている。 既存のMCoT研究は、画像、ビデオ、音声、オーディオ、3D、構造化データの課題に対処する様々な手法を設計している。 我々はMCoT推論に関する最初の体系的な調査を行い、関連する基礎概念と定義を解明する。
  論文  参考訳（メタデータ） (2025-03-16T18:39:13Z)
• Unified Multi-modal Unsupervised Representation Learning for Skeleton-based Action Understanding [62.70450216120704]
  教師なしの事前訓練は骨格に基づく行動理解において大きな成功を収めた。 我々はUmURLと呼ばれる統一マルチモーダル非教師なし表現学習フレームワークを提案する。 UmURLは効率的な早期融合戦略を利用して、マルチモーダル機能を単一ストリームで共同でエンコードする。
  論文  参考訳（メタデータ） (2023-11-06T13:56:57Z)

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。