論文の概要: UMER: Unifying Embedding and Ranking via Pair-Aware Discriminative Reasoning for Universal Multimodal Retrieval

• arxiv url: http://arxiv.org/abs/2608.18504v1
• Date: Wed, 19 Aug 2026 03:51:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.270986
• Title: UMER: Unifying Embedding and Ranking via Pair-Aware Discriminative Reasoning for Universal Multimodal Retrieval
• Title（参考訳）: UMER:ユニバーサルマルチモーダル検索のためのペアアウェア識別推論による埋め込みとランク付けの統合
• Abstract要約: 汎用マルチモーダル検索のための統一型マルチモーダル埋め込みとランク付けフレームワークを提案する。 UMERはアイテムワイドリフレクションをPair-Aware Discriminative Reasoningに置き換える。 MMEB-V2ベンチマークでは、UMERは最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 7.404190239665035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal multimodal retrieval aims to support diverse instruction-aware retrieval tasks, demanding both efficient corpus-scale matching and fine-grained semantic reasoning. Recent MLLM-based embedding methods typically derive representations from hidden states, while Chain-of-Thought (CoT) reasoning is emerging as a promising strategy for embedding enhancement by encoding intermediate semantic evidence into the representation space. However, existing CoT methods typically use item-wise reasoning over queries and candidates in isolation, providing no explicit evidence to distinguish a positive from a semantically confusable hard negative. Moreover, contrastive embeddings capture global similarity but struggle with meta-tasks requiring answer verification, category judgment or fine-grained reasoning. In this paper, we propose UMER, a Unified Multimodal Embedding and Ranking framework for universal multimodal retrieval. UMER replaces item-wise reflection with Pair-Aware Discriminative Reasoning, which compares query--candidate pairs to identify instruction-relevant matching and discrepancy evidence. UMER jointly learns contrastive embeddings for efficient global matching and discriminative ranking for explicit pairwise relevance judgment within a single MLLM. A complementary mutual distillation strategy further transfers reliable pairwise preferences between the embedding and ranking functions. On the MMEB-V2 benchmark, UMER achieves state-of-the-art performance under comparable experimental settings while supporting budget-adjustable inference.
• Abstract（参考訳）: 汎用マルチモーダル検索は多様な命令認識検索タスクをサポートし,効率的なコーパススケールマッチングときめ細かいセマンティック推論の両方を必要とする。 近年のMLLMをベースとした埋め込み手法は一般に隠蔽状態から表現を導出するが、Chain-of-Thought(CoT)推論は中間的意味的証拠を表現空間にエンコードすることでエンハンスメントを埋め込むための有望な戦略として現れつつある。 しかし、既存のCoTメソッドは通常、クエリと候補を独立してアイテムワイズで推論し、意味的に不明瞭なハードネガティブとポジティを区別する明確な証拠は提供しない。 さらに、対照的な埋め込みはグローバルな類似性をとらえるが、答えの検証、カテゴリー判断、きめ細かい推論を必要とするメタタスクに苦労する。 本稿では,ユニバーサルマルチモーダル検索のための統一マルチモーダル埋め込み・ランキングフレームワークUMERを提案する。 UMER はアイテムワイドリフレクションを Pair-Aware Discriminative Reasoning に置き換える。 UMERは、1つのMLLM内において、効率的なグローバルマッチングのためのコントラスト埋め込みと、明示的なペアワイズ関連判定のための識別的ランキングを共同で学習する。 相補的な相互蒸留戦略は、埋め込み関数とランク関数の間の信頼性のあるペアワイズ選好をさらに伝達する。 MMEB-V2ベンチマークでは、UMERは予算調整可能な推論をサポートしながら、同等の実験条件下で最先端のパフォーマンスを達成する。

関連論文リスト

• Reason What Matters: Retrieval-Grounded Reasoning for Universal Multimodal Embeddings [18.705254311226565]
  Retrieval-Aware Self-Distillation (RASD) は、入力支援された証拠から特権化されたガイダンスを構築し、正の項目を検索された強陰性と区別する。 検索適応推論(RAI)は、部分CoTの残りの検索ユーティリティを推定するために、検索信頼ヘッドを使用する。 ReWAMは、競合する明示的CoT UME法の推論スループットを最大5倍にし、最先端の検索性能を実現する。
  論文  参考訳（メタデータ） (2026-09-14T09:48:05Z)
• Action-Aligned Retrieval with Pairwise Multimodal Reranking for Text-Based Person Anomaly Search [10.617164505348283]
  テキストに基づく人物異常検索は、見た目よりもよりきめ細かな、文脈に依存した行動に基づいて個人を識別する必要がある。 既存のメソッドは、これらのコンテキスト条件のアクションをキャプチャするのに苦労する。 本稿では,アクション整合検索とペアワイズ・マルチモーダル・リグレードを組み合わせた3段階間粗大化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-24T17:04:34Z)
• Learning from Failures: Retrieval-Centric CoT via Hard Negatives for Unified Multimodal Retrieval [17.695551248974215]
  UniME-R1は、最初に検索された候補を推論することを学ぶ組込みアドバイザフレームワークである。 UniME-R1は、強いベースライン上での検索性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-08-06T14:04:56Z)
• AgentMap: Joint Equivalence and Subsumption Discovery for Ontology Matching [15.085939995703667]
  等価度と推定値の発見を統一する新しいOMタスクであるHybrid Ontology Matching (HOM)を導入する。 本稿では,多言語モデル(LLM)に基づくマルチエージェントOMフレームワークであるAgentMapを提案する。 実験の結果,ハイブリッド環境ではAgentMapが有望なパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2026-07-29T16:58:10Z)
• Beyond Overlap Metrics: Rewarding Reasoning and Preferences for Faithful Multi-Role Dialogue Summarization [5.909152930998754]
  マルチロール対話要約では、複数の話者間の複雑な相互作用をモデル化する必要がある。 既存のほとんどのメソッドはROUGEやBERTScoreのような自動メトリクスに最適化されている。 報酬に基づく最適化と明示的な認知的推論を結合する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-04-19T01:27:41Z)
• UniME-V2: MLLM-as-a-Judge for Universal Multimodal Embedding Learning [101.62386137855704]
  本稿では,Universal Multimodal Embedding (UniME-V2)モデルを提案する。 提案手法はまず,グローバル検索による潜在的な負のセットを構築する。 次に、MLLMを用いてクエリ候補対のセマンティックアライメントを評価するMLLM-as-a-Judge機構を提案する。 これらのスコアは、ハード・ネガティブ・マイニングの基礎となり、偽陰性の影響を緩和し、多様な高品質なハード・ネガティブの識別を可能にする。
  論文  参考訳（メタデータ） (2025-10-15T13:07:00Z)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• Estimating Commonsense Plausibility through Semantic Shifts [66.06254418551737]
  セマンティックシフトを測定することでコモンセンスの妥当性を定量化する新しい識別フレームワークであるComPaSSを提案する。 2種類の細粒度コモンセンス可視性評価タスクの評価は,ComPaSSが一貫してベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-19T06:31:06Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• RankCSE: Unsupervised Sentence Representations Learning via Learning to Rank [54.854714257687334]
  本稿では,教師なし文表現学習のための新しい手法であるRangCSEを提案する。 コントラスト学習を伴うランキング一貫性とランキング蒸留を統一された枠組みに組み込む。 セマンティックテキスト類似性(STS)と転送タスク(TR)の両方について、広範な実験が実施されている。
  論文  参考訳（メタデータ） (2023-05-26T08:27:07Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)

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。