論文の概要: SpanCalib-VLM: Calibrated Hallucination Span Detection in Vision-Language Models
- arxiv url: http://arxiv.org/abs/2608.29974v1
- Date: Sun, 30 Aug 2026 19:00:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.137273
- Title: SpanCalib-VLM: Calibrated Hallucination Span Detection in Vision-Language Models
- Title（参考訳）: SpanCalib-VLM:視覚言語モデルにおける校正幻覚スパン検出
- Abstract要約: 本稿では、SHROOM-Visions Shared TaskのためのハイブリッドデュアルシステムであるSpanCalib-VLMを提案する。
XLM-RoBERTa-LargeとSigLIPビジョンエンコーダをクロスアテンションで融合したマルチモーダルシーケンスタグと、微細調整された生成VLMを組み合わせる。
SHROOM-Visions による英語評価の分割では、我々のアンサンブルはピアソン校正相関0.41、全体的な IoU0.39、クリーンレスポンス IoU0.91、全体的な検出精度70.7%を達成している。
- 参考スコア（独自算出の注目度）: 0.24870920787157705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting hallucinations in Large Vision-Language Models (LVLMs) requires both accurate span localization and well-calibrated confidence scores. Fine-tuned generative VLMs excel at identifying hallucinated text spans but suffer from overconfidence and high inference latency. Discriminative sequence taggers offer deterministic speed and superior calibration but exhibit conservative span recall. We present SpanCalib-VLM, a hybrid dual-system for the SHROOM-Visions Shared Task that combines a multimodal sequence tagger, consisting of XLM-RoBERTa-Large fused with a SigLIP vision encoder via cross-attention, with our fine-tuned generative VLM (Qwen3.5-4B-SHROOM-SFT). Through a Union-Calibrated Fusion strategy, candidate spans from the generative model are re-scored with calibrated probabilities from the sequence tagger. On the SHROOM-Visions English evaluation split, our ensemble achieves a Pearson calibration correlation of 0.41 and an overall IoU of 0.39, with a clean-response IoU of 0.91} and overall detection accuracy of 70.7%. We make our model weights and code publicly available.
- Abstract（参考訳）: LVLM(Large Vision-Language Models)における幻覚の検出には、正確な局所化とよく校正された信頼スコアの両方が必要である。
微調整された生成VLMは、幻覚テキストスパンを特定するのに優れるが、過度な自信と高い推論遅延に悩まされる。
識別配列タグは決定論的速度と優れたキャリブレーションを提供するが、保守的なスパンリコールを示す。
本稿では、SHROOM-Visions Shared TaskのハイブリッドデュアルシステムであるSpanCalib-VLMについて、XLM-RoBERTa-LargeとSigLIPビジョンエンコーダを相互接続で融合したマルチモーダルシーケンスタグと、当社の微調整された生成VLM(Qwen3.5-4B-SHROOM-SFT)を組み合わせる。
Union-Calibrated Fusion戦略を通じて、生成モデルからの候補スパンをシーケンシャルタグからキャリブレーションされた確率で再描画する。
SHROOM-Visions の英語評価分割では、我々のアンサンブルはピアソン校正相関0.41、全体的な IoU0.39、クリーンレスポンス IoU0.91、全体的な検出精度70.7%を達成している。
モデルの重みとコードを公開しています。
関連論文リスト
- Credal Large Language Models for Semantic Commitment under Uncertainty [7.18839452757154]
大規模言語モデル (LLM) は、しばしば不確実な自信を持って、流動的だが誤った答えを生み出す。
Credal Large Language Models (CLLMs) は、より低い確率と高い確率で予測可能な分布が広がるクレダル集合を誘導する。
我々は, OpenBookQA, CoQA, TriviaQA, ARC-ChallengeでGemma-2-9B, Llama-3.1-8B, Qwen2.5-7Bの幻覚検出, 校正, 選択的予測, 推論を評価した。
論文 参考訳（メタデータ） (2026-08-24T13:30:55Z) - CrossVLA: Cross-Paradigm Post-Training and Inference Optimization for Vision-Language-Action Models [7.489020109808801]
われわれは,クロスパラダイム・ビジョン・ランゲージ・アクション(VLA)のポストトレーニングに関する実証的研究であるCrossVLAを報告する。
i) 確率フローODE統合なしでDPOを連続動作バックボーンで操作できる代理フローマッチングログ確率推定器、(ii) VLA DPOのパラメータ係数層としてのLoRAとDoRAの頭と頭の比較、(iii) ノイズループを示す推論時間解剖学は、サンプル_actions遅延の78.6%、プレフィックス-K/Vキャッシングのラを支配している。
論文 参考訳（メタデータ） (2026-05-21T01:02:41Z) - BEACON: Behavioral Entropy Aggregation for Cross-Model Hallucination Detection in Large Language Models [0.0]
モデル出力で純粋に動作するブラックボックス幻覚検出フレームワークBEACONを提案する。
7つのベンチマークでラベル付き7,617の例でトレーニングされた勾配ブースト分類器は0.8123 +/- 0.0102 AUROCを達成する。
効率的な 5-call バリアントは 0.7795 AUROC を達成し、ブラックボックスの LLM API をまたいで実用的なデプロイを可能にする。
論文 参考訳（メタデータ） (2026-04-20T10:32:48Z) - WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳（メタデータ） (2026-04-20T01:29:56Z) - CoME-VL: Scaling Complementary Multi-Encoder Vision-Language Learning [79.07656918674684]
CoME-VLは、対照的に訓練された視覚エンコーダと自己教師型DINOエンコーダを統合するモジュラーフュージョンフレームワークである。
提案手法は,RefCOCOのベースライン上での精度を高いマージンで向上させながら,検出のための最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-03T17:59:51Z) - SCoOP: Semantic Consistent Opinion Pooling for Uncertainty Quantification in Multiple Vision-Language Model Systems [6.96926551349545]
マルチVLMシステムのためのSCoOP(Semantic-Consistent Opinion Pooling)を提案する。
中心となる考え方は、各VLMを確率的「専門家」として扱い、複数の出力をサンプリングし、それらを統一された空間にマッピングし、意見を集約し、システムレベルの不確実性スコアを生成することである。
ScienceQAでは、SCoOPは幻覚検出のための0.866のAUROCを達成し、ベースライン(0.732-0.757)を約10-13%上回る。
禁忌の場合、AURACは0.907で、ベースライン(0.818-0.840)を7-9%上回る。
論文 参考訳（メタデータ） (2026-03-25T02:30:48Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳（メタデータ） (2026-02-22T15:39:34Z) - SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。
SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2026-01-14T04:42:19Z) - PanFoMa: A Lightweight Foundation Model and Benchmark for Pan-Cancer [54.958921946378304]
トランスフォーマーと状態空間モデルの強みを組み合わせた軽量ハイブリッドニューラルネットワークであるPanFoMaを紹介する。
PanFoMaはフロントエンドのローカルコンテキストエンコーダと共有自己認識層から構成され、複雑で秩序に依存しない遺伝子相互作用をキャプチャする。
また,350万以上の高品質な細胞を含む大規模パンキャンサー単細胞ベンチマークPanFoMaBenchを構築した。
論文 参考訳（メタデータ） (2025-12-02T08:31:31Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - HALT-RAG: A Task-Adaptable Framework for Hallucination Detection with Calibrated NLI Ensembles and Abstention [0.0]
HALT-RAGは、Retrieval-Augmented Generationパイプラインの出力における幻覚を特定するために設計されたポストホック検証システムである。
我々のフレキシブルでタスク適応性のあるフレームワークは、2つのフリーズ・オフ・ザ・シェルフ自然言語推論(NLI)モデルと軽量語彙信号のアンサンブルから導かれる普遍的な特徴セットを使用する。
HALT-RAGは軽量・タスク適応型・高精度制約型決定ポリシーと組み合わせることで,要約,QA,対話における強いOOF F1スコア0.7756,0.9786,0.7391を達成する。
論文 参考訳（メタデータ） (2025-09-09T07:58:46Z) - Oscillatory State-Space Models [61.923849241099184]
長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。
高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。
我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
論文 参考訳（メタデータ） (2024-10-04T22:00:13Z)
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。