論文の概要: Who Drives the Probability Game of VLMs? A Temporal Causal Drive Evaluation Framework
- arxiv url: http://arxiv.org/abs/2609.02000v1
- Date: Wed, 02 Sep 2026 02:19:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.0298
- Title: Who Drives the Probability Game of VLMs? A Temporal Causal Drive Evaluation Framework
- Title（参考訳）: VLMの確率ゲームを動かすのは誰か? 一時的因果評価フレームワーク
- Abstract要約: 本稿では,自己回帰復号における視覚入力,質問文,生成プレフィックスの役割を追及する因果的・時間的評価フレームワークを提案する。
MAVIS、LLaVA-Video-178K、MiraDataのQwen3-VL-8Bインストラクションの実験は、InternVL2-8Bのクロスモデル検証とともに、より強い早期質問からの一貫した遷移と、生成されたプレフィックスへの依存を高めるための視覚的ガイダンスを明らかにした。
- 参考スコア（独自算出の注目度）: 3.671673502935064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language models (VLMs) are increasingly evaluated on complex image and video understanding tasks, yet conventional metrics primarily assess final-answer quality and reveal little about how different information sources shape the generation process. We propose a causal and temporal evaluation framework that traces the evolving roles of visual input, question text, and generated prefixes during autoregressive decoding. Grounded in a Structural Causal Model, we use interventions and backdoor adjustment to derive three step-indexed causal-drive metrics---Visual Causal Drive (VCD), Question Causal Drive (QCD), and Prefix Causal Drive (PCD)---for characterizing source-specific generation patterns without requiring reference answers. Experiments on Qwen3-VL-8B-Instruct across MAVIS, LLaVA-Video-178K, and MiraData, together with cross-model validation on InternVL2-8B, reveal a consistent transition from stronger early question and visual guidance toward increasing reliance on generated prefixes. Randomized-intervention validation shows that QCD and PCD reduce recovery error over observational PMI baselines by 34.8\% and 47.1\%, respectively. On VLMBias, the prefix--visual imbalance score achieves 0.767 AUROC and 0.873 AUPRC for distinguishing prior-driven from visually grounded generations. These results show that causal-drive trajectories provide complementary source-level diagnostics for multimodal generation.
- Abstract（参考訳）: 視覚言語モデル(VLM)は、複雑な画像やビデオ理解タスクにおいてますます評価されているが、従来のメトリクスは主に最終回答の品質を評価し、異なる情報ソースが生成プロセスをどのように形成するかをほとんど明らかにしていない。
本稿では,自己回帰復号における視覚入力,質問文,生成プレフィックスの役割を追及する因果的・時間的評価フレームワークを提案する。
構造因果モデルに基づいて,3つのステップインデクシングされた因果関係(VCD),質問因果関係(QCD),修正因果関係(PCD)の3つの指標を導出する。
MAVIS、LLaVA-Video-178K、MiraDataのQwen3-VL-8Bインストラクションの実験は、InternVL2-8Bのクロスモデル検証とともに、より強い早期質問からの一貫した遷移と、生成されたプレフィックスへの依存を高めるための視覚的ガイダンスを明らかにした。
ランダムな干渉検証は、QCDとPCDがそれぞれ観測PMIベースラインの回復誤差を34.8\%、47.1\%減少させることを示している。
VLMBiasでは、プレフィックス-視覚的不均衡スコアは0.767 AUROCと0.873 AUPRCを達成し、視覚的に基底付けられた世代と事前駆動された世代を区別する。
以上の結果から,因果軌道は多モーダル生成に相補的なソースレベル診断をもたらすことが示唆された。
関連論文リスト
- Explainable Diabetic Retinopathy Classification Using Vision Foundation Models [0.3563504400596782]
糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり、正確で信頼性の高い自動スクリーニングの必要性が生じる。
本研究は,視覚基盤モデルと多変速学習戦略を用いた説明可能なDR分類フレームワークについて検討する。
論文 参考訳（メタデータ） (2026-08-28T11:26:43Z) - Knowledge-Guided Multimodal Reasoning over Interacting Streams for Video-Level Ambivalence and Hesitancy Recognition [0.9297355862757838]
PRISM-AHはA/Hを時間とともに展開するマルチモーダルコンフリクトとして扱うフレームワークである。
知識誘導型大規模言語モデルは、データセットの専門的な分類法を用いて、構造化された証拠を理由づける。
525ビデオのラベル付き公開テストパーティションでは、PRISM-AHは0.2827のゼロショットベースラインと比較して0.6133のマクロF1を達成する。
論文 参考訳（メタデータ） (2026-07-28T16:44:38Z) - Seeing What Is Actually There: PriVE-Bench and PriVE-Tools for Counterfactual Evaluation of Agentic Visual Evidence in VLMs [14.028133377242701]
視覚言語モデル(VLM)は、画像自体に予測を基礎付けるのではなく、学習した言語やカテゴリの事前情報を用いて視覚的な疑問に答えることが多い。
プリヴェベンチ(PriVE-Bench)は、プリヴェベンチ(Preside-vs-Visual Evidence Benchmark)で、プリヴェベンチ(Preside-vs-Visual Evidence Benchmark)と、プリヴェベンチ(PriVE-Bench)と、プリヴェベンチ(Preside-vs-Visual Evidence Benchmark)と、プリヴェベンチ(PriVE-Bench)の2つの元画像と反ファクト画像を用いて、事前一貫性の誤りとを区別する。
また,PriVE-Toolsも導入した。PriVE-Toolsは,ツール由来の視覚的エビデンスにより,同一の対物衝突による接地感が向上するかどうかを評価する,エージェントビジョンにインスパイアされた制御拡張である。
論文 参考訳（メタデータ） (2026-07-14T16:45:02Z) - Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。
ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。
ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
論文 参考訳（メタデータ） (2026-06-25T02:59:33Z) - ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。
本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
論文 参考訳（メタデータ） (2026-04-27T10:45:51Z) - RVLM: Recursive Vision-Language Models with Adaptive Depth [0.1631115063641726]
RVLMは単一パス推論を反復生成実行ループに置き換える。
すべての診断クレームは、監査性要件を満たす実行可能なコードに基礎を置いています。
Gemini 2.5 Flashを用いたBraTS 2023 Meningioma (脳MRI) とMIMIC-CXR (胸部X線) の評価を行った。
論文 参考訳（メタデータ） (2026-03-25T11:52:55Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Autoregressive Denoising Score Matching is a Good Video Anomaly Detector [36.96911195723131]
ビデオ異常検出(VAD)はコンピュータビジョンの重要な問題である。
雑音条件付きスコア変換器を導入し、スコアマッチングを復調する。
次に,シーン依存型,動き認識型スコア関数を提案する。
我々は、新しい自己回帰型聴覚スコアマッチング機構を介して、影響を受けない視覚情報を統合する。
論文 参考訳（メタデータ） (2025-06-29T15:14:32Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z)
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。