論文の概要: A VLM Answer Is Not an Anomaly Score: Rank Compression in Training-Free Video Anomaly Detection
- arxiv url: http://arxiv.org/abs/2608.21244v1
- Date: Fri, 21 Aug 2026 15:56:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.63161
- Title: A VLM Answer Is Not an Anomaly Score: Rank Compression in Training-Free Video Anomaly Detection
- Title（参考訳）: VLMアンサーは異常スコアではない:トレーニングなしビデオ異常検出におけるランク圧縮
- Abstract要約: VLMベースの検出器は、応答インターフェースを定義する必要がある。
回答尺度は許容可能な回答を指定し、読み出しルールはモデルの出力分布をスコアにマッピングする。
4つの7-8B VLMにわたって、確率読み出しは、テストされた解答尺度、ベンチマーク、メトリックの組み合わせごとに生成された読み出しよりも優れる。
- 参考スコア（独自算出の注目度）: 2.3296196518120915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language models enable training-free video anomaly detection by answering questions about video segments. VAD benchmarks, however, require a scalar anomaly score for each segment and evaluate the resulting ranking using the AUROC or AP. A VLM-based detector should therefore define an answer interface: the answer scale specifies the admissible answers, and the readout rule maps the model's output distribution to a score. Because this interface can change the evaluated ranking, it is part of the detector rather than a formatting detail. The generated readout uses only the most likely answer, whereas the probability readout uses the full distribution over admissible answers. Across four 7-8B VLMs, the probability readout outperforms the generated readout for every tested combination of answer scale, benchmark, and metric, with average gains ranging from 5 to 13 points across the four benchmark-metric pairs. The gap arises because the generated readout keeps only one answer value per segment, so segment with different answer distributions can receive the same score and lose their relative order. We call this loss of relative order generated-answer rank compression. Even when the answer scale allows 91 answers, the generated readout produces only 4-18 distinct scores, whereas the probability readout retains substantially finer score resolution. The advantage persists under every decoding strategy, prompt wording, and joint scoring-explanation prompt we test. The answer interface is therefore a consequential component of VLM-based VAD and should be explicitly specified and evaluated.
- Abstract（参考訳）: ビジョン言語モデルは、ビデオセグメントに関する質問に答えることで、トレーニング不要のビデオ異常検出を可能にする。
しかし、VADベンチマークは各セグメントのスカラー異常スコアを必要とし、AUROCまたはAPを用いて結果のランキングを評価する。
応答スケールは許容可能な回答を指定し、読み出しルールはモデルの出力分布をスコアにマッピングする。
このインターフェースは評価されたランキングを変更することができるため、フォーマッティングの詳細ではなく、検出器の一部である。
生成された読み出しは最も可能性の高い解のみを使用し、確率読み出しは許容可能な解の完全な分布を使用する。
4つの7-8B VLMにおいて、確率読み出しは、テストされた回答尺度、ベンチマーク、メトリックの組み合わせごとに生成された読み出しよりも優れており、平均利得は4つのベンチマークメトリックペアの平均5点から13点である。
このギャップは、生成された読み出しがセグメント毎に1つの回答値しか保持しないため、異なる回答分布を持つセグメントは同じスコアを受け取り、相対的な順序を失うことができる。
我々は、この相対順序生成階数圧縮の損失を、この損失と呼ぶ。
回答スケールが91の回答を許しても、生成した読み出しは4-18のスコアしか生成しない。
利点は、テストするデコード戦略、プロンプトワード、共同スコアリング-説明プロンプトの下に持続する。
したがって、応答インターフェースはVLMベースのVADの連続的なコンポーネントであり、明示的に指定され、評価されるべきである。
関連論文リスト
- V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning [59.47823383593251]
視覚サンプルモデルでは、視覚的証拠が不十分な流動的な答えを生み出すことができる。
本稿では,参照応答を原子命題に分解するVisuals-Based Reinforcement Learningを紹介する。
我々は,コンポーネントワイド,プレフィックスローカライズされたルーリッククレジットを用いて,同じSFTチェックポイントに基づいてモデルをトレーニングする。
論文 参考訳（メタデータ） (2026-08-26T09:40:46Z) - When Many Answers Are Valid, Voting Fails: Symbolic Verification for Best-of-K Causal Reasoning in LLMs [42.32694162421078]
CALVERは、パールの因果基準に対して構造化されたトレースをスコアする訓練不要なシンボル検証器である。
CALVERは、複数のグラフ正解を許容するCLEAR検索1価クエリにおいて、報酬モデル、LLM審査員、モデルの信頼性が30%近く残っている42.1%に達する。
論文 参考訳（メタデータ） (2026-08-04T11:45:46Z) - Separating Decision-Rule Misalignment from Readout-Coverage Limitations in Speech Language Models [0.3142999832608949]
出力された応答,オプションロジット,それらのロジットのアフィン読み出し,および同じ応答トークンにおける隠蔽状態の線形読み出しを比較する。
状態復号は平均27.8の精度で生成され、判定ルールと読み出しカバーギャップは10条件すべてで正である。
論文 参考訳（メタデータ） (2026-08-03T17:34:33Z) - Boosting Self-Consistency with Ranking [56.38798757709555]
自己整合性は、複数の推論パスをサンプリングし、最も頻繁な回答を選択することで、大きな言語モデルを改善する。
この制限は、自己整合性における解答選択をランク付け問題として再構成する、ランク付け改善自己整合性(RISC)に対処する。
論文 参考訳（メタデータ） (2026-06-03T16:12:30Z) - ABCD: All Biases Come Disguised [4.603755953026689]
MCQ(Multiple-choice Question)ベンチマークは標準的な評価手法である。
本稿では,各質問のラベルを一様無順序ラベルに置き換える,単純なバイアス低減評価プロトコルを提案する。
このプロトコルは、平均モデルの性能を最小限に抑えつつ、平均精度のばらつきを3倍に減らし、置換に答えるロバスト性を大幅に改善することを示す。
論文 参考訳（メタデータ） (2026-02-19T15:12:33Z) - Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。
次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。
ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文 参考訳（メタデータ） (2025-09-29T12:15:52Z) - Threading the Needle: Reweaving Chain-of-Thought Reasoning to Explain Human Label Variation [60.18907916989796]
大規模言語モデル(LLM)は最終答を出す前に思考の連鎖(CoT)を生成する。
本稿では,各回答オプションに対するサポート文と反対文を抽出するために,言語的に接頭した談話セグメンタを付加した新しいパイプラインを提案する。
また、正確なスコアよりも回答のランクを優先するランクベースHLV評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-29T11:47:18Z) - From Trial to Triumph: Advancing Long Video Understanding via Visual Context Sample Scaling and Self-reward Alignment [51.3011761744484]
大規模言語モデルは単一の推論で有限フレームしか処理できない。
視覚的コンテキストサンプリングにより複数の予測を提案し,次に最終的な予測を選択するためのスコアリング機構を提案する。
実験により,この手法がビデオ質問の回答の正解を高い割合でカバーしていることが示されている。
論文 参考訳（メタデータ） (2025-03-26T11:53:03Z) - Self-Consistent Decoding for More Factual Open Responses [28.184313177333642]
Sample & Selectは、DoLA、P-CRR、S-CRRのデコーダに対して、30%の相対的なマージンで事実性を向上する。
生成した要約の人間による検証を収集し,本手法の実際的優位性を確認する。
論文 参考訳（メタデータ） (2024-03-01T17:31:09Z) - UATVR: Uncertainty-Adaptive Text-Video Retrieval [90.8952122146241]
一般的なプラクティスは、テキストとビデオのペアを同じ埋め込みスペースに転送し、特定のエンティティとのクロスモーダルなインタラクションを構築することである。
UATVRと呼ばれる不確実性言語によるテキスト・ビデオ検索手法を提案し、各ルックアップを分布マッチング手順としてモデル化する。
論文 参考訳（メタデータ） (2023-01-16T08:43:17Z) - A Semantic-based Method for Unsupervised Commonsense Question Answering [40.18557352036813]
ラベル付きタスクデータに依存しないため、教師なしのコモンセンス質問応答は魅力的である。
教師なしコモンセンス質問応答のためのSemantic-based Question Answering法(SEQA)を提案する。
論文 参考訳（メタデータ） (2021-05-31T08:21:52Z) - MOCHA: A Dataset for Training and Evaluating Generative Reading
Comprehension Metrics [55.85042753772513]
そこで本研究では,生成的読解の指標であるModeling Correctness with Humanをトレーニングし,評価するためのベンチマークを提案する。
S
我々は,MOCHAを用いて,人間の判断スコアを模倣する学習評価尺度LERCを訓練する。
最小のペアで評価すると、LERCは80%の精度でベースラインを14から26の絶対パーセンテージポイントで上回り、改善の余地は大きい。
論文 参考訳（メタデータ） (2020-10-07T20:22:54Z)
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。