論文の概要: Structure-Token Evidence-Anchored Reasoning for Scientific Chart Understanding
- arxiv url: http://arxiv.org/abs/2609.13267v1
- Date: Mon, 07 Sep 2026 16:49:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.155156
- Title: Structure-Token Evidence-Anchored Reasoning for Scientific Chart Understanding
- Title（参考訳）: 科学チャート理解のための構造と証拠-アンコレッド推論
- Abstract要約: STEER(Structure-Token Evidence-anchored Reasoning)は、Llama-3.2-Visionエンコーダを凍結し、3つのモジュールを挿入する。
ChartQAでは、STEERの平均緩和精度は82.70、ChartGemmaは80.16、LLaVA-CoTのバックボーンは76.40に達した。
- 参考スコア（独自算出の注目度）: 37.2400849737978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific charts encode quantities in axes, legends, and geometric marks, yet large vision-language models still treat them as natural photographs. Visual in-context examples do not expose the coordinate frame; unconstrained chain-of-thought can name a plausible number that was never read from a bar. We present STEER (Structure-Token Evidence-anchored Reasoning), which freezes a Llama-3.2-Vision encoder and inserts three modules: a chart structure graph encoder (CSGE) that binds ticks, legend items, and marks; evidence-anchored step reasoning (EASR) that forces every arithmetic step to cite a graph node; and weak-parser strong-reasoner alignment (WPSR) that uses a specialized table extractor only as a teacher of node attributes. On ChartQA, STEER reaches 82.70 average relaxed accuracy versus 80.16 for ChartGemma and 76.40 for a LLaVA-CoT backbone trained on the same mix. Gains widen on CharXiv reasoning (33.60 vs. 29.20 InternVL Chat V1.5) and ChartQAPro CoT (40.70 vs. 37.17 Qwen2-VL-7B), where OCR shortcuts disappear. Ablations show that dropping node serialization or numeric candidate constraints undoes most of the reasoning lift.
- Abstract（参考訳）: 科学的チャートは、軸、伝説、幾何学的マークの量をエンコードしているが、大きな視覚言語モデルはまだそれらを自然写真として扱う。
視覚的なインコンテキストの例は座標フレームを公開せず、制約なしのチェーンはバーから読まれなかった可算数に名前を付けることができる。
STEER(Structure-Token Evidence-anchored Reasoning)は、Llama-3.2-Vision Encoderを凍結し、3つのモジュールを挿入する: グラフ構造グラフエンコーダ(CSGE)は、ッチ、伝説アイテム、マークをバインドする。
ChartQAでは、STEERの平均緩和精度は82.70、ChartGemmaは80.16、LLaVA-CoTのバックボーンは76.40に達した。
CharXiv推論(33.60 vs. 29.20 InternVL Chat V1.5)とChartQAPro CoT(40.70 vs. 37.17 Qwen2-VL-7B)ではOCRショートカットが消滅した。
アブレーションは、ノードのシリアライゼーションや数値候補制約のドロップが、ほとんどの推論リフトを無効にすることを示している。
関連論文リスト
- GTA: Graph Theory Agent and Benchmark for Algorithmic Graph Reasoning with LLMs [50.68372832207766]
Graph Theory Bench (GT Bench) は、44のタスク構造設定において24の古典的なグラフ問題をカバーするベンチマークである。
GT Benchは、精度が入力表現と強く結びついていることを示している。
本稿では,選好学習された表現セレクタと計画と分解の足場を組み合わせたグラフ理論エージェント(GTA)を提案する。
論文 参考訳（メタデータ） (2026-09-10T22:50:10Z) - Graph Evidence Is Not Enough: Diagnosing Native Decoder Use in Graph-Augmented LLMs [23.31472184486587]
グラフ拡張された大きな言語モデルは、しばしば、外部計算によって生成されたグラフ証拠をネイティブデコーダで使用することができると仮定する。
グラフエビデンスを提供することは、使用可能にすることとは同じではないことを示す。
診断駆動インタフェース設計がネイティブデコーダのユーザビリティを向上させることを示す例として,S$2$GEを挙げる。
論文 参考訳（メタデータ） (2026-08-31T08:27:01Z) - GraphAlignCoder: Aligning Program and Proof Graphs for Code Generation [7.471886998236215]
GraphAlignCoderは、明示的な正当性構造をコード生成に転送するトレーニングフレームワークです。
GraphAlignCoderは、すべてのベンチマークで、ベースモデル、コードのみのSFT、CodeRLを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-11T20:01:08Z) - Agentic Graph Token Reasoning [10.837857911869035]
エージェントグラフトークン推論を導入し,グラフトークン化を推論プロセスの一部として再キャストする。
我々のモデルは、大きなマージンで幅広いベースラインを上回り、ターゲットごとの微調整なしにゼロショットを目に見えない領域に転送することを示す。
論文 参考訳（メタデータ） (2026-08-01T08:56:26Z) - What You See Is What You Get: Observation-Aligned Supervision for Chart-to-Code Generation [50.62320148925983]
多くのチャートプログラムは、レンダリングされた画像から一意に回収できない潜在生変数を含む。
本稿では,潜伏する生データターゲットを視覚的観察に制約された量で置き換えるリライトフレームワークであるオブザーバ・アラインド・インフォメーションを導入する。
この結果から,チャート・トゥ・コードモデルの改善には,データや高度な学習目的やアルゴリズムだけでなく,チャート画像から識別可能なものを尊重する監視対象も必要であることが示唆された。
論文 参考訳（メタデータ） (2026-07-06T06:53:40Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - ChartVerse: Scaling Chart Reasoning via Reliable Programmatic Synthesis from Scratch [57.01439313241121]
グラフの複雑さを定量化する新しい指標であるRollout Posterior Entropy(RPE)を紹介する。
また、推論厳密性を保証するために、真正対応の逆QA合成を開発する。
さらに, モデルフェールレートに基づく試料をろ過し, 高品質なCoT (Chain-of-Thought) 推算を行った。
論文 参考訳（メタデータ） (2026-01-20T05:11:44Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z)
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。