Fugu-MT 論文翻訳(概要): ManGo: Manga Active Narrative Grounding Optimization

論文の概要: ManGo: Manga Active Narrative Grounding Optimization

arxiv url: http://arxiv.org/abs/2608.29865v1
Date: Sun, 30 Aug 2026 15:47:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.093472
Title: ManGo: Manga Active Narrative Grounding Optimization
Title（参考訳）: ManGo: Manga Active Narrative Grounding Optimization
Abstract要約: マンガの視覚的質問応答には、パネルベースの視覚的物語に関する質問に答えるモデルが必要である。アクティブマンガ視覚質問応答のための教師なしフレームワークであるManGoを提案する。
参考スコア（独自算出の注目度）: 9.475897760275902
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Manga visual question answering requires models to answer questions over panel-based visual narratives, where relevant evidence is distributed across ordered panels, embedded text, recurring characters, and implicit event transitions. This structure makes passive page encoding insufficient, as the model must identify which panels to inspect, what clues to retain, and when the accumulated evidence is sufficient for answering. We propose ManGo (Manga Active Narrative Grounding Optimization), an unsupervised framework for active manga visual question answering. ManGo introduces Active Narrative Sketching (ANS), which iteratively selects panels, extracts concise grounded clues, and decides when to stop, forming a compact question-directed evidence sketch before answer generation. To optimize this behavior without human-annotated answers or rationale paths, ManGo samples multiple ANS rollouts and applies group-relative training with two rewards: answer preference from listwise self-ranking and path consistency from stable ordered panel trajectories. The combined reward is optimized with group-relative policy training, encouraging the model to improve both final answers and the panel-level evidence paths that support them. Experiments on standard manga understanding benchmarks show that ManGo achieves state-of-the-art performance across different settings.
Abstract（参考訳）: マンガの視覚的質問応答は、パネルベースの視覚的物語に対して、関連する証拠が順序付きパネル、埋め込みテキスト、繰り返し文字、暗黙のイベント遷移に分散されるモデルを必要とする。この構造は受動的ページエンコーディングを不十分にし、どのパネルを検査するか、どの手がかりを保持すべきか、そして蓄積された証拠が答えるのに十分であるかどうかをモデルが特定する必要がある。マンゴー(Mango Active Narrative Grounding Optimization)は,マンガの視覚的質問応答のための教師なしフレームワークである。 ManGoはアクティブ・ナララティブ・スケッチ(ANS)を導入し、パネルを反復的に選択し、簡潔なグラウンドド・ヒントを抽出し、いつ停止するかを決め、回答生成の前にコンパクトな質問指向エビデンス・スケッチを形成する。人間のアノテーションや合理性パスを使わずにこの振る舞いを最適化するために、ManGoは複数のANSロールアウトをサンプリングし、グループ相対トレーニングを2つの報酬で適用した。組み合わせた報酬は、グループ相対的な政策トレーニングによって最適化され、最終的な回答とそれらをサポートするパネルレベルのエビデンスパスの両方を改善するようモデルに促される。標準マンガ理解ベンチマークの実験は、ManGoがさまざまな設定で最先端のパフォーマンスを達成することを示している。

関連論文リスト

GLaQ: Grounding Latent Queries in Visual Evidence for Multimodal Reasoning [27.232897918541067]
連鎖推論は多モーダルな大言語モデルの問題解決能力を大幅に改善した。しかし、微細な視覚的証拠は、テキストベースの推論ステップをまたいだ保存と再利用が難しいままである。 GLaQは、逐次ラテントロールアウトをコンテキスト条件付きクエリの固定セットに置き換える、接地型ラテントクエリフレームワークである。
論文参考訳（メタデータ） (2026-08-16T04:01:08Z)
Self-Questioning Vision-Language Models: Reinforcement Learning for Compositional Visual Reasoning [0.0]
VLM(Vision-Language Models)は、画像とテキストの両方を処理するAIシステムである。本稿では,視覚的質問を小さなサブクエストに分割するようにVLMを訓練するセルフクエストフレームワークを提案する。自己探索学習と標準強化学習の両方が、訓練されていないモデルよりも精度を大幅に向上させることを示す。
論文参考訳（メタデータ） (2026-06-14T07:42:34Z)
SubSearch: Intermediate Rewards for Unsupervised Guided Reasoning in Complex Retrieval [61.73547199231695]
SubSearchは、結果のみの監視から中間報酬信号に移行する特殊なフレームワークである。実験により、本質的な報酬を伴う中間的推論ステップの報酬はより堅牢な推論トレースをもたらすことが示された。 SubSearchは、複雑なクエリ応答のための検索エンジンをよりよく統合できる推論トレースを構築するのに役立つ。
論文参考訳（メタデータ） (2026-04-08T13:09:47Z)
When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought [118.71264263478083]
MIRAは,中間画像の生成が推論の成功に不可欠であるシナリオにおいて,モデルを評価するために設計された新しいベンチマークである。 546のマルチモーダル問題を含み、中間画像と最終回答が注釈付きである。
論文参考訳（メタデータ） (2025-11-04T18:00:51Z)
Answer-Consistent Chain-of-thought Reinforcement Learning For Multi-modal Large Langauge Models [33.398631680508814]
本稿では,GRPOアルゴリズムを補助的整合性チェックで修正するAnswer-Consistent Reinforcement Learningを提案する。我々は、オリジナルとポストシャッフルの両方の回答が一致して正しい場合にのみ高い報酬を与える一貫性検証報酬を設計する。我々は、ACREを挑戦的なビデオ推論ベンチマークとマルチモーダル数学推論ベンチマークで評価し、平均2.2%と1.5%の改善を達成した。
論文参考訳（メタデータ） (2025-10-11T08:32:52Z)
From Answers to Rationales: Self-Aligning Multimodal Reasoning with Answer-Oriented Chain-of-Thought [43.07899102255169]
現在のメソッドは主に肯定的な論理に重点を置いており、通常は手動のアノテーションや複雑なシステムに依存している。 textbfSelf-Aligning textbfMultimodal Reasoning with textbfAnswertextbfriented Chain-of-textbfThought。
論文参考訳（メタデータ） (2025-07-01T08:24:51Z)
Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
論文参考訳（メタデータ） (2024-06-14T13:28:03Z)
Answering Ambiguous Questions via Iterative Prompting [84.3426020642704]
オープンドメインの質問応答では、質問のあいまいさのため、複数の妥当な回答が存在する可能性がある。ひとつのアプローチは、すべての有効な回答を直接予測することですが、これは、妥当性と多様性のバランスに苦労する可能性があります。本稿では,あいまいな疑問に答える既存手法の欠陥に対処するため,AmbigPromptを提案する。
論文参考訳（メタデータ） (2023-07-08T04:32:17Z)
DPOK: Reinforcement Learning for Fine-tuning Text-to-Image Diffusion Models [97.31200133440308]
我々は、オンライン強化学習を用いて、テキスト・ツー・イメージモデルを微調整する。拡散モデルに焦点をあて、微調整タスクをRL問題として定義する。我々のアプローチはDPOKと呼ばれ、政策最適化とKL正規化を統合している。
論文参考訳（メタデータ） (2023-05-25T17:35:38Z)
Faithful Question Answering with Monte-Carlo Planning [78.02429369951363]
本稿では,FAME(Fithful Questioning with Monte-carlo planning)を提案する。我々は,タスクを離散的な意思決定問題として定式化し,推論環境とコントローラの相互作用によって解決する。 FAMEは標準ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-05-04T05:21:36Z)
LRTA: A Transparent Neural-Symbolic Reasoning Framework with Modular Supervision for Visual Question Answering [4.602329567377897]
本稿では,視覚的質問応答のための透明なニューラルシンボリック推論フレームワークを提案する。人間のようにステップバイステップで解決し、各ステップで人間の読みやすい正当性を提供する。 GQAデータセットを用いた実験により、LRTAは最先端モデルよりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2020-11-21T06:39:42Z)

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。