Fugu-MT 論文翻訳(概要): Learning Compositional Spatio-Temporal Video Grounding with Synthetic Curriculum

論文の概要: Learning Compositional Spatio-Temporal Video Grounding with Synthetic Curriculum

arxiv url: http://arxiv.org/abs/2608.30584v1
Date: Mon, 31 Aug 2026 11:01:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.356843
Title: Learning Compositional Spatio-Temporal Video Grounding with Synthetic Curriculum
Title（参考訳）: 合成カリキュラムを用いた合成時空間ビデオグラウンドリングの学習
Abstract要約: 既存の評価とトレーニングデータは、単純なクエリに重点を置いている。現実のシナリオで一般的なコンポジションクエリでは、ターゲットはその属性と他のエンティティとの関係によって曖昧にされなければならない。本研究では,時間的シーングラフを難易度として活用する合成データエンジンを構築し,制約プログラミング問題としてクエリベンチをキャストする。このエンジン上に構築されたST-CompBenchは、時間的複雑さと空間的干渉をキャプチャする、明示的な難易度によるベンチマークである。
参考スコア（独自算出の注目度）: 19.13127229043393
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Despite the impressive progress of recent MLLMs on spatio-temporal video grounding (STVG), existing evaluations and training data focus primarily on simple queries. They largely overlook the compositional queries prevalent in real-world scenarios, where a target must be disambiguated by jointly reasoning about its attributes and relations to other entities. To bridge this gap, we propose Compositional Spatio-Temporal Video Grounding (CompSTVG), a task that requires models to process complex textual queries where every intertwined attribute and relational cue is essential for disambiguation. To facilitate this task at scale, we build a synthetic data engine that leverages a spatio-temporal scene graph as a difficulty measure and casts difficulty-controlled query synthesis as a constraint programming problem, producing difficulty-graded data for both evaluation and training. Built on this engine, we introduce STVG-CompBench, a benchmark stratified by explicit difficulty levels that jointly capture temporal complexity and spatial interference. Evaluating 11 representative STVG models on STVG-CompBench reveals that current models perform poorly on compositional queries, exhibiting a sharp performance drop that is typically obscured by overall dataset-level averages. We further construct synthetic training data and propose CurrSTVG, a curriculum reinforcement learning framework that delivers consistent gains, with the largest improvements observed on the most challenging compositional queries.
Abstract（参考訳）: 時空間ビデオグラウンドティング(STVG)における最近のMLLMの目覚ましい進歩にもかかわらず、既存の評価とトレーニングデータは主に単純なクエリに焦点を当てている。現実のシナリオでは、ターゲットがその属性と他のエンティティとの関係について共同で推論することによって、ターゲットを曖昧にする必要がある。このギャップを埋めるため,コンポジション比テンポラルビデオグラウンドティング(CompSTVG)を提案する。この作業の大規模化を容易にするために,時空間グラフを難易度尺度として活用し,制約プログラミング問題として難易度制御クエリ合成をキャストする合成データエンジンを構築し,評価とトレーニングの両面において困難度の高いデータを生成する。このエンジン上に構築されたSTVG-CompBenchは,時間的複雑さと空間的干渉を両立させる明示的な難易度で階層化されたベンチマークである。 STVG-CompBenchで11の代表的なSTVGモデルを評価すると、現在のモデルはコンポジションクエリでは性能が悪く、データセットレベルの平均値によって通常無視されるシャープなパフォーマンス低下を示す。さらに,合成学習データを構築し,一貫したゲインを提供するカリキュラム強化学習フレームワークであるCurrSTVGを提案する。

関連論文リスト

LiveClawBench: Benchmarking LLM Agents on Complex, Real-World Assistant Tasks [58.3639630490749]
実世界のアシスタントタスク上でLLMエージェントを評価するベンチマークであるLiveClawBenchを紹介する。様々な実Clawの使用事例の分析に基づいて、三重軸複雑度フレームワークを導出する。我々は,実世界のアシスタントタスクをカバーする,明示的な複雑性要素アノテーションを用いたパイロットベンチマークを構築した。
論文参考訳（メタデータ） (2026-03-20T16:08:21Z)
Learning to Solve Complex Problems via Dataset Decomposition [53.1641602054716]
本研究では、複雑なデータセットをよりシンプルで学習しやすいコンポーネントに分解する逆カリキュラム生成アプローチについて検討する。そこで本研究では,教師が段階的に推論する能力を備えた教師学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-23T19:25:40Z)
LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
論文参考訳（メタデータ） (2025-06-06T05:14:04Z)
SCENT: Robust Spatiotemporal Learning for Continuous Scientific Data via Scalable Conditioned Neural Fields [11.872753517172555]
SCENTは、スケーラブルで連続性に富んだモデリング学習のための新しいフレームワークである。 SCENTは単一のアーキテクチャ内で表現、再構築、予測を統一する。我々はSCENTを広範囲なシミュレーションと実世界の実験により検証し、最先端の性能を実証した。
論文参考訳（メタデータ） (2025-04-16T17:17:31Z)
Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
時系列解析は複雑なシステムの力学を理解するために重要である。基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
論文参考訳（メタデータ） (2025-03-14T13:53:46Z)
Contextual Self-paced Learning for Weakly Supervised Spatio-Temporal Video Grounding [24.650102499933514]
Weakly Supervised S-Temporal Video Grounding (WSTVG) に注目した。まず、WSTVGの最先端オブジェクト検出モデルの可能性について検討する。頑丈なゼロショット機能にもかかわらず、我々の適応には大きな制限がある。本稿では,これらの制約を克服するための新しいアプローチであるCoSPaLを提案する。
論文参考訳（メタデータ） (2025-01-28T16:25:10Z)
Understanding Synthetic Context Extension via Retrieval Heads [51.8869530817334]
本稿では,検索と推論を必要とする3つの長文タスクに対する合成データの微調整について検討する。合成データに基づいてトレーニングされたモデルは、実際のデータには及ばないが、驚くべきことに、ミスマッチを解釈できる。我々の結果は、合成データの微調整性能の解釈方法と、長期にわたる実世界の能力学習のためのより良いデータ作成方法に光を当てた。
論文参考訳（メタデータ） (2024-10-29T17:55:00Z)
RiTeK: A Dataset for Large Language Models Complex Reasoning over Textual Knowledge Graphs [12.846097618151951]
我々は,テキスト知識グラフ(RiTeK)を用いたLLMの複雑な推論のためのデータセットを開発し,広範なトポロジ的構造を網羅する。多様なトポロジ構造、注釈付き情報、複雑なテキスト記述を統合した現実的なユーザクエリを合成する。そこで我々はモンテカルロ木探索法 (CTS) を導入し, 特定のクエリに対してテキストグラフから関係経路情報を自動的に抽出する手法を提案する。
論文参考訳（メタデータ） (2024-10-17T19:33:37Z)
EasyST: A Simple Framework for Spatio-Temporal Prediction [18.291117879544945]
本稿では,時空間予測のための簡単なフレームワークであるEasySTパラダイムを提案する。複雑な時間的GNNからの知識を蒸留することにより、軽量で堅牢なマルチ層パーセプトロン(MLP)の一般化を学習する。 EasySTは、効率と精度の点で最先端のアプローチを超越している。
論文参考訳（メタデータ） (2024-09-10T11:40:01Z)
NeedleBench: Evaluating LLM Retrieval and Reasoning Across Varying Information Densities [51.07379913779232]
NeedleBenchは、長いコンテキストタスクにおける検索と推論のパフォーマンスを評価するためのフレームワークである。モデルの機能を厳格にテストするために、キーデータポイントをさまざまな深さに埋め込む。実験の結果,Deep-R1やOpenAIのo3のような推論モデルは,情報密度シナリオにおける連続的な検索と推論に苦労していることがわかった。
論文参考訳（メタデータ） (2024-07-16T17:59:06Z)

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。