論文の概要: Benchmarking MLLMs via Cognitive Expected Scene Graph for Safety-Critical Visual Negation Understanding

• arxiv url: http://arxiv.org/abs/2609.19767v1
• Date: Thu, 17 Sep 2026 06:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.124079
• Title: Benchmarking MLLMs via Cognitive Expected Scene Graph for Safety-Critical Visual Negation Understanding
• Title（参考訳）: 安全批判的視覚否定理解のための認知期待シーングラフによるMLLMのベンチマーク
• Abstract要約: 制約のない視覚的否定のパラダイムは、過度にオープンなままであり、広範に肯定的な偏見は、評価指標を否定的な意味論の下で失敗させる。 まず、特定の認知目標内に否定的推論の境界を固定する。 本枠組みでは, 局所的ハザードの高密度なアサーションをマッピングした高忠実度負のキャプションデータセットを構築する。 同時に、構造化された極性を考慮した評価指標である認知期待シーングラフ(CESG)を提案する。
• 参考スコア（独自算出の注目度）: 13.220023143859093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: True machine intelligence requires transcending passive pixel registration to master top-down functional reasoning over absent information via visual negation understanding. However, unconstrained visual negation paradigms remain overly open-ended, and pervasive affirmation bias causes both existing Multi-Modal Large Language Models (MLLMs) and evaluation metrics to fail under negative semantics. To solve these intertwined challenges systematically, we first anchor the boundaries of negation reasoning within specific cognitive goals. Specifically, by focusing on safety as a highly pragmatic and critical cognitive dimension, we define the task of \textbf{S}cene \textbf{N}egation \textbf{U}nderstanding under \textbf{S}afety Cognition (\textbf{SNUS}). Under this framework, we construct a high-fidelity negative caption dataset mapping dense assertions of localized hazards. Concurrently, we propose the Cognitive Expected Scene Graph (CESG) Score, a structure-grounded, polarity-aware evaluation metric. Extensive experiments demonstrate that while current models struggle on the task, traditional metrics completely collapse under semantic reversals. Conversely, our framework delivers a solid benchmark for SNUS, providing a rigorous foundation to advance risk-aware situational comprehension and counterfactual cognition.
• Abstract（参考訳）: 真のマシンインテリジェンスでは、視覚的否定的理解を通じて欠落した情報に対するトップダウン機能推論に受動的ピクセル登録を超越する必要がある。 しかし、制約のない視覚否定のパラダイムは、過度にオープンなままであり、広汎な肯定バイアスは、既存のマルチモーダル大言語モデル(MLLM)と評価指標の両方を負のセマンティクスの下で失敗させる。 これらの課題を体系的に解決するために、我々はまず、特定の認知目標内に否定的推論の境界を固定する。 具体的には、安全性を非常に実践的で批判的な認知次元として重視することにより、 \textbf{S}cene \textbf{N}egation \textbf{U}nderstanding \textbf{S}afety Cognition (\textbf{SNUS})の下でのタスクを定義する。 本枠組みでは, 局所的ハザードの高密度なアサーションをマッピングした高忠実度負のキャプションデータセットを構築する。 同時に、構造化された極性を考慮した評価指標である認知期待シーングラフ(CESG)を提案する。 大規模な実験では、現在のモデルはタスクで苦労するが、従来のメトリクスはセマンティック・リバーサルの下で完全に崩壊する。 逆に、我々のフレームワークはSNUSのしっかりとしたベンチマークを提供し、リスクを意識した状況理解と対実認識を促進するための厳格な基盤を提供する。

関連論文リスト

• Absence is Presence: Understanding Visual Scene Negative Events Under Safety Cognitive Constraint [13.220023143859093]
  本稿では,反実的再構成と対照的な復号化に基づく否定的な字幕化フレームワークを提案する。 人間の認知にインスパイアされたCRCDは、そのタスクを、肯定バイアスをバイパスするためにキャプションを非現実的な潜在的変化として修正する。 実験はCRCDの有効性を検証し、この先駆的なタスクの高性能なベースラインを確立する。
  論文  参考訳（メタデータ） (2026-09-17T07:24:40Z)
• Balancing Efficiency and Efficacy: Training-Free Attention-Guided Switching Between Explicit and Latent Thoughts for MLLMs [44.74237674161132]
  MLLM(Multimodal Large Language Models)における推論は、きめ細かい視覚認識と厳密な論理推論の両方を必要とする。 明示的なテキストベースのChain-of-Thought (CoT) は計算に高価であり、視覚幻覚を起こしやすい。 既存の潜在的推論手法は、通常、コストのかかる訓練を必要とする。
  論文  参考訳（メタデータ） (2026-08-04T10:46:10Z)
• Knowing When to Quit: Diagnosing and Training LLMs to Abort Futile Reasoning [109.33717747526583]
  大規模言語モデルは、計算コストが高くても意味論的に無効な推論を、能力を超えたタスクで生成する。 textbfCaRL(textbfCapability-textbfaligned textbfReinforcement textbfL)を導入し、振る舞いを機能境界に合わせる。 実験は、タスクの難易度を超えて性能を保ちながら、無駄な推論を大幅に削減することを示した。
  論文  参考訳（メタデータ） (2026-07-31T09:30:33Z)
• EgoSafe: A First-Person Mobile-Captured Benchmark for Visual Safety Understanding [25.995418289744205]
  EgoSafe-Benchは、エゴ中心の安全シナリオにおける法医学的推論を調査するために設計されたベンチマークである。 提案した階層型推論評価プロトコルによって制御されるQAチェーンと,3,000本のビデオクリップをそれぞれペアリングして生成した12,000のユニークな評価サンプルから構成される。 我々の研究は、論理的に堅牢なビデオ理解システムの開発を促進するために、挑戦的なデータセットと体系的な評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-07-29T06:33:11Z)
• Diagnosing Visual Ignorance in Vision-Language Models [29.2851901986069]
  VLM(Vision-Language Models)は、しばしば言語先行に頼り、視覚的証拠に弱く根ざした自信ある答えを生み出す。 本研究では,機械的視点と行動的視点の両方から言語優先性について検討する。 言語優先の信頼性は、モデル内部とベンチマークの妥当性の両方に影響を及ぼす体系的なルーティング障害であることがわかった。
  論文  参考訳（メタデータ） (2026-06-05T04:16:01Z)
• Provably Secure Agent Guardrail [89.79561918065122]
  既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。 本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-28T02:12:41Z)
• ALIVE: Awakening LLM Reasoning via Adversarial Learning and Instructive Verbal Evaluation [4.265094703231012]
  ハンズフリーアライメントフレームワークである textbfALIVE (emphAdrial Learning with Instructive Verbal Evaluation) を導入する。 対人学習とインストラクティブな言語フィードバックを結合することにより、ALIVEはモデルが生のコーパスから直接評価基準を内在化できるようにする。 同一のデータと計算により、ALIVEはクロスドメインの一般化を著しく改善し、自己補正率も向上した。
  論文  参考訳（メタデータ） (2026-02-05T09:20:23Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Stable Language Guidance for Vision-Language-Action Models [62.80963701282789]
  残留セマンティックステアリング(Residual Semantic Steering)は、セマンティック実行から身体的余裕を逸脱する確率的フレームワークである。 RSSは最先端の堅牢性を実現し、敵対的な言語摂動の下でも性能を維持する。
  論文  参考訳（メタデータ） (2026-01-07T16:16:10Z)
• Beware of Reasoning Overconfidence: Pitfalls in the Reasoning Process for Multi-solution Tasks [54.31998314008198]
  大きな言語モデル(LLM)は、単一の正しい答えを必要とするタスクの推論において優れているが、マルチソリューションタスクでは不十分である。 我々はこの制限を、不完全解集合における不完全確実性を表現する傾向という、不確実な過信(textbfreasoning overconfidence)に起因している。 この仮説は, 思考経路の狭いセットに早急に収束すると, 過信が生じることを示唆するものである。
  論文  参考訳（メタデータ） (2025-12-01T14:35:06Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。