論文の概要: Knowing When Not to Answer: Abstention and Refusal Reasoning in Vision--Language Models

• arxiv url: http://arxiv.org/abs/2609.05540v1
• Date: Wed, 02 Sep 2026 11:52:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.090594
• Title: Knowing When Not to Answer: Abstention and Refusal Reasoning in Vision--Language Models
• Title（参考訳）: 答えるべきでないことを知る:ビジョンモデルにおける無視と拒否推論-言語モデル
• Abstract要約: ASD診断は、静的な顔写真ではなく、行動的および発達的証拠を必要とする。 PARITYは,中性中性ニュートラル制御を備えたアイデンティティ制御型中性/表現型ポートレートペアの合成,階層的バランスの取れた集合である。 拒絶第一モデルと投機モデルの間に明らかな違いが見られ、後者では特定の表現が有害な選択を引き起こす。
• 参考スコア（独自算出の注目度）: 35.534692995586035
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many medical conditions require diagnosis through detailed, multi-context clinical assessment rather than from visual appearance alone. Despite this, vision-language models (VLMs) are increasingly queried to interpret images in ways that touch on medical or diagnostic judgments, raising safety concerns when such inferences are unsupported. ASD diagnosis requires behavioral and developmental evidence, not static facial photographs. We audit whether VLMs abstain from this unanswerable paired-image query, and whether expressions sway non-abstaining choices. We introduce PARITY (Paired Assessment with Reused Identity), a synthetic, demographically balanced set of identity-controlled neutral/expression portrait pairs with neutral-neutral controls. All identities are synthetic and have no ASD status; because the query is unanswerable from images, any non-abstaining selection is treated as a harmful attribution. Across contemporary VLMs, we find a clear split between refusal-first models and speculative models; in the latter, certain expressions disproportionately trigger harmful selections. Clinical guardrails and single-image framing substantially increase abstention, suggesting actionable mitigations in both prompting and interface design
• Abstract（参考訳）: 多くの医学的条件は、視覚的外観のみからではなく、詳細なマルチコンテキストの臨床評価を通じて診断を必要とする。 それにもかかわらず、視覚言語モデル(VLM)は、画像が医学的または診断的判断に触れる方法で解釈されることがますます多くなり、そのような推論がサポートされていない場合の安全性への懸念が高まっている。 ASD診断は、静的な顔写真ではなく、行動的および発達的証拠を必要とする。 我々は,この不確定なペア画像クエリからVLMが排除されるか否か,および表現が非持続的選択を妨げているかどうかを検査する。 パーティ (Paired Assessment with Reused Identity) は、中性中性中性中性制御を備えた、階層的にバランスの取れたアイデンティティ制御型中性/表現型ポートレートペアである。 全てのアイデンティティは合成され、ASDステータスを持たない。クエリは画像から検出できないため、非持続的な選択は有害な属性として扱われる。 現代のVLMでは、拒絶第一モデルと投機モデルの間に明確な分割が見られ、後者では特定の表現が有害な選択を引き起こす。 クリニカルガードレールとシングルイメージフレーミングは禁忌を著しく増加させ、プロンプトデザインとインターフェースデザインの両方において実行可能な緩和を示唆する

関連論文リスト

• Look-Closer-Then-Diagnose: Confidence-Aware Ultrasound VQA via Active Zooming [41.40761036883243]
  VLM(Vision-Language Models)は、医学的な視覚的質問応答がかなり進歩しているが、超音波におけるその性能は依然として最適である。 本稿では,ソノグラフィーの認知ワークフローを考慮したフレームワークを提案する。 まず,構造的Zoom-then-Diagnoseパラダイムを導入する。
  論文  参考訳（メタデータ） (2026-05-20T19:06:34Z)
• Medical Context Distorts Decisions in Clinical Vision Language Models [7.537887356414114]
  ヴィジュアル言語モデル (VLM) は, 臨床診断支援のためにますます提案されているが, 現実シナリオにおける信頼性は乏しい。 本報告では,画像上のテキストに対するモダリティの過度依存,関係のない臨床歴への急激な依存,意味論的に等価な入力に対する迅速な感度の3つの障害モードを同定する。
  論文  参考訳（メタデータ） (2026-05-17T13:11:38Z)
• MedObvious: Exposing the Medical Moravec's Paradox in VLMs via Clinical Triage [20.835664121303534]
  ビジョン言語モデル(VLM)は、医療報告生成や視覚的質問応答といったタスクにますます使われています。 臨床実践では、解釈は診断前の衛生検査から始まる。 既存のベンチマークでは、このステップが解決されたと仮定しており、致命的な障害モードを見逃している。 我々は1,880タスクのベンチマークであるMedObviousを導入し、入力検証をセットレベルの一貫性機能として分離する。
  論文  参考訳（メタデータ） (2026-03-24T17:59:54Z)
• When Visual Evidence is Ambiguous: Pareidolia as a Diagnostic Probe for Vision Models [0.5461938536945722]
  非顔オブジェクトにおける顔の知覚である顔パリドリアは、この行動の制御されたプローブを提供する。 本研究では,顔パレドリア画像における検出,局所化,不確実性,偏見,難易度,感情を解析する表現レベル診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T12:33:36Z)
• TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
  既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。 臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:26Z)
• DrVD-Bench: Do Vision-Language Models Reason Like Human Doctors in Medical Image Diagnosis? [1.1094764204428438]
  臨床ビジュアル推論のための最初のベンチマークであるDrVD-Benchを提案する。 DrVD-Benchは、ビジュアルエビデンス、推論軌道評価、レポート生成評価の3つのモジュールで構成されている。 本ベンチマークでは,20のタスクタイプ,17の診断カテゴリ,CT,MRI,超音波,X線撮影,病理の5つの画像モダリティについて検討した。
  論文  参考訳（メタデータ） (2025-05-30T03:33:25Z)
• Towards a Systematic Evaluation of Hallucinations in Large-Vision Language Models [57.58426038241812]
  LVLM(Large Vision-Language Models)は、複雑なマルチモーダルタスクにおいて顕著な性能を示す。 これらのモデルは、画像から様々な視覚的実体を暗黙的に認識または推測する必要がある場合、まだ幻覚に悩まされている。 本稿では,視覚的質問応答(VQA)ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T23:56:01Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。