論文の概要: Counterfactual Sensitivity Is Not Repairability: Auditing Replay Probes for Video Evidence

• arxiv url: http://arxiv.org/abs/2608.15685v1
• Date: Sun, 16 Aug 2026 11:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.384052
• Title: Counterfactual Sensitivity Is Not Repairability: Auditing Replay Probes for Video Evidence
• Title（参考訳）: 修復性に反する感性:ビデオのエビデンスをリプレイする調査
• Abstract要約: 我々は,一致するSHAMとDESTROYのリプレイにおける応答変化を比較するブラックボックス・カウンティファクト・プローブであるCARVEを紹介する。 3つの独立したk=3が凍結されたVideoExplorerスタイルのエージェント上で実行され、DeSTROYはSHAMよりも29.3パーセントの割合で回答を変更し、大きな再現可能な集合効果をもたらす。 k=3では、CARVEは1,258のLVBench質問のうち538点を選択し、精度を3.26ポイント改善する。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool-using video agents retrieve visual evidence before answering, but the final answer is not forced to depend on what was retrieved. The natural black box test is counterfactual: destroy the semantic content of the frames the agent retrieved and check whether the answer changes, against a matched sham that re-executes the identical pipeline on those same frames. We introduce CARVE, a black-box counterfactual probe that compares answer changes under matched SHAM and DESTROY replays. Across three independent k=3 runs on a frozen VideoExplorer-style agent, DESTROY changes the answer 29.3 percentage points more often than SHAM, yielding a large and reproducible aggregate effect. Question-level scores are less stable, and increasing the replay budget from k=3 to k=10 reduces ties but weakens the original zero-threshold routing policy. At k=3, CARVE selects 538 of 1,258 LVBench questions and improves accuracy by 3.26 points, with higher fallback yield than most matched random subsets. The score shows only a weak association with annotated temporal coverage, so CARVE is best understood as a routing signal rather than a direct grounding classifier. Our implementation is available at https://github.com/KurbanIntelligenceLab/CARVE.
• Abstract（参考訳）: ツールを利用するビデオエージェントは、答える前に視覚的証拠を検索するが、最終的な答えは、検索したものに頼らざるを得ない。 天然のブラックボックステストは、エージェントが検索したフレームのセマンティックな内容を破壊し、同じフレーム上で同じパイプラインを再実行するマッチしたシャムに対して、答えが変わるかどうかをチェックする。 我々は,一致するSHAMとDESTROYのリプレイにおける応答変化を比較するブラックボックス・カウンティファクト・プローブであるCARVEを紹介する。 3つの独立したk=3が凍結されたVideoExplorerスタイルのエージェント上で実行され、DeSTROYはSHAMよりも29.3パーセントの割合で回答を変更し、大きな再現可能な集合効果をもたらす。 質問レベルのスコアは安定せず、リプレイ予算をk=3からk=10に増やすと、結びつきは減るが、元のゼロ閾値ルーティングポリシーを弱める。 k=3では、CARVEは1,258のLVBench質問のうち538点を選択し、精度を3.26ポイント改善する。 このスコアは、注釈付き時間被覆と弱い関係しか示さないため、CARVEは直接接地分類器よりもルーティング信号として最もよく理解されている。 実装はhttps://github.com/KurbanIntelligenceLab/CARVEで公開しています。

関連論文リスト

• Same Agent, Different Answers: A Repeat-Aware Audit of Corpus-Induced Answer Churn in Retrieval-Augmented QA [0.4351760066527804]
  検索強化されたQAシステムは、要求されたモデル識別子、プロンプト、検索ポリシー、エビデンス深さ、レンダリング、露出した生成制御が固定された場合でも、インデックス展開後に異なる回答を返すことができる。 我々は、隠れた現象の正確さを正解とみなし、クロスショットの相違から反則を減じて過剰な解答を推定するemphSnapshot Compatibility Auditを導入する。
  論文  参考訳（メタデータ） (2026-08-24T06:40:09Z)
• TRACE: Temporal Retrieval with Anchored and Convergent Evidence for Long-Horizon Video Understanding [19.77484147518509]
  長ビデオの回答は、ビデオからデコードされたフレームが、その答えが依存するすべてのイベントをカバーする場合にのみ、エビデンスをサポートする。 既存の評価は、最終回答の正当性や予測された証拠間隔をスコアするが、応答前にデコードされたメソッドのフレームは監査されることは滅多にない。 VES-Benchは348の公開長ビデオに対して,時間順およびイベントカウント項目の600クエストベンチマークである。 それぞれの項目は共同で必要となるエビデンス間隔を持ち、メソッドのデコードされたフレームがそれらすべてをカバーするかどうかを3つの厳密度レベルで監査することができます。
  論文  参考訳（メタデータ） (2026-08-23T17:31:43Z)
• When Should Multi-Round RAG Stop? Structured Stopping Judgments and Retrieval Reduction in Search-R1 [0.0]
  マルチラウンド検索強化世代(RAG)は、証拠が蓄積されるにつれていつ検索を止めるかを決定する必要がある。 我々は,S2G-RAGの構造的充足性判定をフリーズしたサーチ-R1パイプラインに適用する。 我々は900のHotpotQA質問から3,009の州でQwen3.5-2B判事を訓練する。
  論文  参考訳（メタデータ） (2026-08-13T13:42:48Z)
• Searching Videos as Trees: Self-Correcting Agents for Grounded Long Video QA [64.65523062099061]
  グラウンドドロングビデオ質問応答(Grounded LVQA)では、長いビデオに関する質問に答えると同時に、その答えを支持する短いエビデンス間隔をローカライズする必要がある。 最近のエージェント的手法では、このタスクを、粗い粒度の絞り込みをサポートする単一の crop_video(start, end) アクションでマルチターン探索とみなしている。 適応時間木上の反復的自己修正探索としてLVQAをキャストするフレームワークであるVideoTreeSearch(VTS)を提案する。
  論文  参考訳（メタデータ） (2026-07-17T17:59:27Z)
• What Does a Temporal Benchmark Score Measure? Decomposing Channel Use in Video VLM Evaluation [1.2183405753834562]
  時間的ビデオ質問応答ベンチマークのスコアは、あるモデルが時間的理解を持っていることを測ることを目的としているが、それは2つの質問を混同している。 Molmo2は前方イベントの読み上げ順序をオフに、Qwen3-VLは実際に見た逆イベントに応答し、視覚的順序(比較的)を読む。 この分割は2つのベンチマークと2つのスケールでの複数の時間的タスクにまたがっており、アクティベーションパッチは、競合の成果物ではなく、実際の内部プロパティであることを示している。
  論文  参考訳（メタデータ） (2026-07-14T03:26:33Z)
• When Agents Commit Too Soon: Diagnosing Premature Commitment in LLM Agents [0.0]
  長い答えのLSMエージェントは静かに失敗する可能性があり、彼らは証拠を早期に読み上げ、残りの期間をその証拠を守るのに費やした。 我々は、表現的コミットメントを、固定された推論ステップにおいて、クロスランな隠れ状態収束として定義する。 ランタイムモニタは、AUROCの隠れ状態から0.97までの不整合軌道を検出する(より厳密なスプリットの下で0.85-0.88)。
  論文  参考訳（メタデータ） (2026-06-22T07:13:13Z)
• Learning Spatiotemporal Sensitivity in Video LLMs via Counterfactual Reinforcement Learning [24.29101453473451]
  ビデオ大言語モデル(ビデオモデル)は、強力なベンチマーク精度を達成するが、ダイナミックスを追跡するのではなく、シングルフレームキューや言語先行といったショートカットを通じてビデオ質問に答えることが多い。 この問題はRLポストトレーニングにおいてさらに悪化しており、ビデオダイナミクスを追跡せずに高い報酬を得るショートカットポリシーをさらに強化することができる。 視覚世界が変化したとしても、答えは変わっているか、同じままか、という問題に対処する。
  論文  参考訳（メタデータ） (2026-05-21T04:38:02Z)
• VLMaxxing through FrameMogging Training-Free Anti-Recomputation for Video Vision-Language Models [0.0]
  ビデオビジョン言語モデル(VLM)は、すでに教えてくれたストリームが安定している視覚状態に対して支払いを続けています。 我々は、無駄をトレーニングなしの反再計算として研究する: バリデーションが生き残るという状態の再利用。 凍結したQwen2.5-VL-7B-Instruct-4bitでは、適応的な同ビデオ追従再利用がペア選択と正確性を保存する。
  論文  参考訳（メタデータ） (2026-05-05T04:13:32Z)
• TAPNext++: What's Next for Tracking Any Point (TAP)? [58.6925880906723]
  本稿では,低メモリとアーキテクチャの計算フットプリントを保ちながら,桁数桁長の点を追跡するモデルを提案する。 再検出性能が現在の文献の盲点であることを強調し,新しいメトリクスであるRe-detection Average Jaccardを導入する。 複数のベンチマークにおいて,再帰型トランスフォーマーがポイントトラッキングのために大幅に改善され,新たな最先端のモデルが設定できることが実証された。
  論文  参考訳（メタデータ） (2026-04-12T11:02:13Z)
• Prune Spatio-temporal Tokens by Semantic-aware Temporal Accumulation [89.88214896713846]
  STAスコアは、時間的冗長性と意味的重要性の2つの重要な要因を考慮に入れている。 市販のビデオトランスフォーマーとビデオウィンにSTAモジュールを適用する。 結果: Kinetics-400 と something-Something V2 は 30% のオーバーシェルフ削減を実現し,0.2% の精度低下を実現した。
  論文  参考訳（メタデータ） (2023-08-08T19:38:15Z)
• Detection Transformer with Stable Matching [48.963171068785435]
  もっとも重要な設計は, 肯定的な事例の分類スコアを監督するために, 位置測定値のみを使用することである。 本原理では,DTRの分類損失とマッチングコストに位置測定値を統合することで,簡易かつ効果的な2つの修正を提案する。 12エポックおよび24エポックのトレーニング設定の下でResNet-50バックボーンを用いてCOCO検出ベンチマークで50.4および51.5APを達成する。
  論文  参考訳（メタデータ） (2023-04-10T17:55:37Z)
• Invariant Grounding for Video Question Answering [72.87173324555846]
  Video Question Answering (ビデオQA)は、ビデオに関する質問に答えるタスクである。 先行するビデオQAモデルでは、典型的な学習目標である経験的リスク最小化(ERM)が、ビデオクエストペアと回答の間の表面的相関に基づく。 Invariant Grounding for VideoQA (IGV) という新たな学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T04:37:52Z)
• Group-aware Contrastive Regression for Action Quality Assessment [85.43203180953076]
  ビデオ間の関係は、より正確な行動品質評価のための重要な手がかりとなることを示す。 提案手法は従来の手法よりも大きなマージンを達成し,3つのベンチマークで新たな最先端の手法を確立する。
  論文  参考訳（メタデータ） (2021-08-17T17:59:39Z)

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。