論文の概要: Test-time Reinforcement Learning for Anomalous Video Understanding

• arxiv url: http://arxiv.org/abs/2609.26099v1
• Date: Tue, 18 Aug 2026 13:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.876248
• Title: Test-time Reinforcement Learning for Anomalous Video Understanding
• Title（参考訳）: 異常映像理解のためのテスト時間強化学習
• Abstract要約: 異常ビデオ理解は、ビデオ中の異常事象を特定し、その意味を単純な異常検出を越えて解釈することを目的としている。 最近のビデオ大言語モデル(ビデオ-LLM)は、このタスクに期待できるゼロショット機能を実証している。 本稿では,異常映像理解のための新しいテスト時間強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.200293794553005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomalous video understanding aims to identify abnormal events in videos and interpret their semantic meanings beyond simple anomaly detection. Recent video large language models (Video-LLMs) have demonstrated promising zero-shot capabilities for this task, yet their performance remains limited due to insufficient adaptation to diverse anomaly patterns and evolving environments. Test-time reinforcement learning offers a promising solution by enabling models to improve through self-generated feedback signals without requiring additional human annotations. However, applying it to anomalous video understanding remains challenging due to three issues: (1) generated pseudo-labels can be unreliable when consensus is weak; (2) binary reward designs fail to capture uncertainty in model generations, resulting in ineffective optimization signals; and (3) unanimous rollout groups receive identical rewards, causing group-relative advantages to collapse and eliminating effective policy-gradient signals. To address these challenges, we present a novel test-time reinforcement learning framework for anomalous video understanding by introducing dual-query consistency filtering, an entropy-aware consensus reward, and a virtual negative anchor mechanism. The framework retains reliable samples through consistency across semantically equivalent queries, combines answer agreement with generation uncertainty for reward estimation, and introduces a virtual negative anchor to create reward variation in unanimous rollout groups, thereby preserving effective group-relative optimization signals. Experiments on VAU-Bench show that our method outperforms the compared frozen and supervised baselines. The gains are most pronounced on the ECVA subset of VAU-Bench with thinking, where accuracy improves from 75.81% to 90.00% relative to the frozen backbone.
• Abstract（参考訳）: 異常ビデオ理解は、ビデオ中の異常事象を特定し、その意味を単純な異常検出を越えて解釈することを目的としている。 最近のビデオ大言語モデル(ビデオ-LLM)は、このタスクに対して有望なゼロショット機能を示しているが、様々な異常パターンや進化環境への適応が不十分なため、その性能は制限されている。 テスト時の強化学習は、モデルが追加の人間のアノテーションを必要とせずに、自己生成のフィードバック信号を通じて改善できることによって、有望なソリューションを提供する。 しかし,(1)コンセンサスが弱い場合,生成した擬似ラベルが信頼できないこと,(2)モデル世代における不確実性を捉えることができず,効率の悪い最適化信号が生じること,(3)一様ロールアウトグループが同じ報酬を受けること,(3)グループ相対的な優位性が崩壊し,効果的な政策勾配信号が排除される,という3つの問題により,ビデオ理解は依然として困難である。 これらの課題に対処するために,デュアルクエリ整合性フィルタリング,エントロピー認識型コンセンサス報酬,仮想負アンカー機構を導入して,異常な映像理解のための新しいテスト時強化学習フレームワークを提案する。 このフレームワークは、セマンティックに等価なクエリ間の一貫性を通じて信頼性のあるサンプルを保持し、応答合意と生成の不確実性を組み合わせて報酬推定を行い、仮想負のアンカーを導入し、一様ロールアウトグループにおける報酬変動を生成し、効果的なグループ相対的最適化信号を保存する。 VAU-Bench実験により, 比較した凍結および教師付きベースラインよりも優れた性能を示した。 VAU-BenchのECVAサブセットでは、凍結したバックボーンに比べて精度が75.81%から90.00%に向上する。

関連論文リスト

• Escaping Confidence Trap: Evolutionary Decoding for Mathematical Reasoning in Diffusion LLMs [69.52853771994451]
  我々はLLaDA 2.0の復号軌道を解析し、繰り返し拡散信頼トラップを同定する。 本稿では,拡散復号化を進化過程とみなす訓練不要なテスト時間スケーリングフレームワークである進化復号法を提案する。
  論文  参考訳（メタデータ） (2026-08-01T11:48:25Z)
• DUEL: Adversarial Self-Play for Multimodal Reasoning [16.61891948648537]
  視覚言語モデル(VLM)の推論能力向上のための効果的なパラダイムとして強化学習(RL)が登場した。 本稿では,同じ事前学習VLMから生じる2つのポリシー間の対立的相互作用から,監督が出現する自己進化的ポストトレーニングフレームワークDUELを提案する。 実験によると、DUELは人間のアノテーション、外部報酬モデル、画像編集ツールを使わずに、視覚的推論と堅牢な識別を一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-24T00:38:26Z)
• Uncertainty-Aware and Decoder-Aligned Learning for Video Summarization [0.0]
  ビデオ要約の目的は、時間的に重要なセグメントのサブセットを選択することで、長いビデオのコンパクトな表現を作ることである。 この課題は、強い注釈主観性と離散復号法に依存するため本質的に困難である。 本稿では,ビデオ要約のための不確実性とデコーダ対応の学習フレームワークであるVASTSumを提案する。
  論文  参考訳（メタデータ） (2026-05-10T12:31:02Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• Learning from Heterogeneity: Generalizing Dynamic Facial Expression Recognition via Distributionally Robust Optimization [23.328511708942045]
  Heterogeneity-Aware Distributional Framework (HDF) は、時間周波数モデリングを強化し、ハードサンプルによる不均衡を軽減するために設計された。 時間周波数分散アテンションモジュール(DAM)は、時間的一貫性と周波数ロバスト性の両方をキャプチャする。 適応最適化モジュール 分散対応スケーリングモジュール (DSM) は、動的に分類と対照的な損失のバランスをとるために導入された。
  論文  参考訳（メタデータ） (2025-07-21T16:21:47Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
  ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。 推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。 12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
  論文  参考訳（メタデータ） (2025-06-02T04:23:21Z)
• Robust Duality Learning for Unsupervised Visible-Infrared Person Re-Identification [24.24793934981947]
  擬似ラベルノイズ(PLN)を考慮した新しい学習パラダイムを提案する。 PLNはノイズオーバーフィット、エラー蓄積、ノイズの多いクラスタ対応の3つの主要な課題によって特徴づけられる。 UVI-ReIDのためのロバスト・デュナリティ学習フレームワーク(RoDE)を提案する。
  論文  参考訳（メタデータ） (2025-05-05T10:36:52Z)

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。