論文の概要: Self-Evolving Multimedia Verification through Memory Consolidation of Contestation Experiences
- arxiv url: http://arxiv.org/abs/2609.27175v1
- Date: Wed, 23 Sep 2026 00:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.806474
- Title: Self-Evolving Multimedia Verification through Memory Consolidation of Contestation Experiences
- Title（参考訳）: 競合体験の記憶統合による自己進化型マルチメディア検証
- Abstract要約: SEMV(Self-Evolving Multimedia Verification)は、証明可能な議論をエビデンス、推論、人間のコンテスト、記憶のインターフェースとして扱うマルチエージェントフレームワークである。
COSMOSベンチマークでは、SEMVは91.88%の精度を達成している。
これらの結果から,SEMVは,蓄積した知識とその後の決定を追跡可能で,修正可能で,かつ,議論可能なまま,検証済みの経験を通じて進化することができることを示す。
- 参考スコア（独自算出の注目度）: 1.5054177797356312
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multimedia verification requires not only accurate decisions but also traceable evidence, reliable human correction, and safe reuse of prior experience. Existing systems often lack explicit mechanisms for revising intermediate reasoning or preventing harmful knowledge transfer. We present SEMV (Self-Evolving Multimedia Verification), a self-evolving multi-agent framework that treats provenance-bearing arguments as the interface between evidence, reasoning, human contestation, and memory. SEMV combines arena-based quantitative bipolar argumentation (A-QBAF), causal and scoped revision, and verification-gated memory consolidation with explicit conflict retention. On COSMOS benchmark, SEMV achieves 91.88% accuracy versus 89.10% for the strongest comparable baseline. Verified memory reduces negative transfer from 5.7% to 0.2%. On CTR benchmark, constructed from reviewer contestations, scoped causal revision corrects 96.7% of initial errors while saving 52.8% compute. MV2026 Grand Challenge dataset further supports evidence-grounded, temporally consistent reporting. These results show that SEMV can evolve through verified experience while keeping accumulated knowledge and subsequent decisions traceable, revisable, and contestable.
- Abstract（参考訳）: マルチメディア検証には、正確な判断だけでなく、追跡可能な証拠、信頼性のある人間の修正、事前経験の安全な再利用が必要である。
既存のシステムは、しばしば、中間的推論を改訂したり、有害な知識伝達を防ぐための明確なメカニズムを欠いている。
本稿では,証拠,推論,人間コンテスト,記憶のインターフェースとして,証明付き議論を扱う自己進化型マルチエージェントフレームワークSEMVを提案する。
SEMVは、アリーナベースの量的双極子議論(A-QBAF)、因果関係とスコープ付きリビジョン、明示的なコンフリクト保持を伴う検証付きメモリの統合を組み合わせている。
COSMOSベンチマークでは、SEMVは91.88%の精度を達成している。
検証されたメモリは負の転送を5.7%から0.2%に減少させる。
CTRベンチマークは、レビュアーのコンテストから作成され、52.8%の計算を節約しながら初期エラーの96.7%を補正する。
MV2026 グランドチャレンジデータセットは、エビデンスで時間的に一貫したレポートをさらにサポートする。
これらの結果から,SEMVは,蓄積した知識とその後の決定を追跡可能で,修正可能で,かつ,議論可能なまま,検証済みの経験を通じて進化することができることを示す。
関連論文リスト
- COSMO: Consensus-Driven Shift Modulation for Source-Free Domain Adaptation [79.43842208099619]
ソースフリードメイン適応(SFDA)は、ソースデータなしでラベルなしのターゲットドメインにソーストレーニングされたモデルを適用する。
VLM誘導型SFDAを標本単位の信頼性割当問題として定式化する。
本稿では,専門家から専門家への指導を協調適応に置き換えるために,COSMO(Consensus-Driven Shift Modulation)を提案する。
論文 参考訳（メタデータ） (2026-08-05T09:10:30Z) - Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。
構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。
RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
論文 参考訳（メタデータ） (2026-08-03T11:07:37Z) - Intelligent Identification and Repair of Design Defects in BIM via Domain-Specific Large Language Models [0.6454760968478942]
本研究では,ドメイン固有LLMを用いて,BIMの欠陥を同定し,修復するための統合フレームワークを提案する。
鍵識別子検証とトークン長しきい値を組み合わせた幻覚制御戦略を導入し、信頼性を確保する。
実験の結果、従来のルールチェックでは85%の識別精度が70%に向上し、合理的な修復提案の94%が達成された。
論文 参考訳（メタデータ） (2026-08-02T10:19:22Z) - EvidentialRAG: Quantifying and Mitigating Information Conflict in Multi-Source Retrieval-Augmented Generation via Evidential Deep Learning [0.2730969268472861]
本稿では,取得したチャンクを生成前に確率的証拠に変換する不確実性を考慮したRAGフレームワークであるERAGを紹介する。
CRAG、ConflictQA、MuSiQueの実験は、ERAGが標準質問応答における最強一致ベースラインと競争力を維持していることを示している。
論文 参考訳（メタデータ） (2026-07-11T21:56:15Z) - Mitigating Visual Hallucinations in Multimodal Systems through Retrieval-Augmented Reliability-Aware Inference [1.064167691614925]
本研究は,信頼に値するマルチモーダル視覚理解のための信頼性を考慮した検索フレームワークを提案する。
提案フレームワークは,事前学習された視覚埋め込みと,正規化された特徴表現に対する最寄りの検索を用いて,外部の視覚的エビデンスデータベースを構築する。
ImageNet-100の実験では、提案された信頼性を意識したフレームワークが、89.04%のカバレッジで85.84%から88.88%に改善した。
論文 参考訳（メタデータ） (2026-06-14T12:32:38Z) - A Heterogeneous Temporal Memory Governance Framework for Long-Term LLM Persona Consistency [2.447989276487424]
大規模な言語モデルは、多くの場合、事実喪失、タイムラインの混乱、ペルソナの漂流、長距離相互作用時の安定性の低下に悩まされる。
本稿では,長期対話のための外部時間記憶ガバナンスフレームワークARPMを紹介する。
我々は、ARPMが連続性をトレース可能、監査可能、転送可能なガバナンス問題として扱うことを示す。
論文 参考訳（メタデータ） (2026-05-14T13:12:49Z) - FIKA-Bench: From Fine-grained Recognition to Fine-Grained Knowledge Acquisition [54.31138496553705]
日常生活におけるきめ細かい認識は、しばしばクローズドブックの分類問題ではない。
既存のベンチマークは主に視覚的認識を評価しており、このアクティブな外部知識獲得能力は過小評価されている。
そこでは,システムが外部の証拠を探し,検証し,利用し,オープンエンドのきめ細かい認識質問に答えなければならない,きめ細かな知識獲得について検討する。
論文 参考訳（メタデータ） (2026-05-13T08:49:51Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - How to Train Your Fact Verifier: Knowledge Transfer with Multimodal Open Models [95.44559524735308]
大規模言語またはマルチモーダルモデルに基づく検証は、偽コンテンツや有害コンテンツの拡散を緩和するためのオンラインポリシングメカニズムをスケールアップするために提案されている。
我々は,知識伝達の初期研究を通じて,継続的な更新を行うことなく基礎モデルの性能向上の限界をテストする。
最近の2つのマルチモーダルなファクトチェックベンチマークであるMochegとFakedditの結果は、知識伝達戦略がファクドディットのパフォーマンスを最先端よりも1.7%向上し、Mochegのパフォーマンスを2.9%向上させることができることを示唆している。
論文 参考訳（メタデータ） (2024-06-29T08:39:07Z)
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。