論文の概要: Beyond Mean Foils: Auditing Worst-Foil Specificity in Frozen CLIP Region Explanations

• arxiv url: http://arxiv.org/abs/2609.27356v1
• Date: Wed, 23 Sep 2026 04:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.889915
• Title: Beyond Mean Foils: Auditing Worst-Foil Specificity in Frozen CLIP Region Explanations
• Title（参考訳）: 寒冷なCLIP領域説明における悪臭特異性の検討
• Abstract要約: 凍結したCLIPにおいて、クラスタベースの概念重要度(CCI)によって選択された領域をテストする。 COCOとVOCに2つのチェックポイントがあり、41.08-64.78%のオーバーラップと平均コントラストチェックが失敗した。 画像にアノテートされた競技者の削除は39.69-63.64%が失敗に終わった。
• 参考スコア（独自算出の注目度）: 8.362440359094133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A region can overlap a target object yet contribute more to another class. We test regions selected by Cluster-based Concept Importance (CCI) in frozen CLIP. Across COCO and VOC with two checkpoints, 41.08-64.78% of regions that pass overlap and mean-contrast checks fail against the strongest competing class. Removing competitors annotated in the image leaves 39.69-63.64% failing. We then test all eight candidate regions per image. An alternative passes the test for 6.25-7.84% of failures on COCO and 27.40-31.15% on VOC. Requiring it to preserve the original target-score drop within $ε= 0.02$ reduces these rates to 0.16-0.98%. Available regions and target-drop tolerance constrain repair; relaxing the tolerance increases repair opportunities.
• Abstract（参考訳）: リージョンは対象のオブジェクトをオーバーラップするが、他のクラスにもっと貢献する。 凍結したCLIPにおいて、クラスタベースの概念重要度(CCI)によって選択された領域をテストする。 COCOとVOCに2つのチェックポイントがあり、41.08-64.78%がオーバーラップし、平均コントラストチェックは最強の競合クラスに対して失敗する。 画像にアノテートされた競技者の削除は39.69-63.64%が失敗に終わった。 次に、画像ごとに8つの候補領域すべてをテストする。 代替案として、COCOの6.25-7.84%、VOCの27.40-31.15%が試験に合格した。 ε = 0.02$ で元の目標スコアの落差を保存する必要があるため、これらの値は 0.16-0.98% に減少する。 利用可能な領域とターゲット・ドロップ・トレランスの制限は修復され、耐性の緩和は修復の機会を増大させる。

関連論文リスト

• Target-Checked Reliability Score Refinement for Video Question Answering [3.8271803328378677]
  モデルの再トレーニングや回答の変更を伴わずに、目標シフトの下で回答レベルの信頼性スコアを改善できるかどうかを検討する。 3つの固定されたビデオ言語モデルから、4つの決定論的ビデオサンプリングに基づいてオプション確率リストを収集する。 選択した回答に割り当てられた確率として定義される原点スコアと,開発データセットに基づいて学習したヒストグラムに基づく勾配ボスティング(HGB)スコアを比較した。 候補は、ビデオレベルの繰り返しチェックがポジティブで安定した改善を示す場合にのみ、元のスコアを置き換える。
  論文  参考訳（メタデータ） (2026-09-09T08:29:00Z)
• Safe to Stop? Risk-Constrained Stopping for Sequential Clinical Diagnosis Agents [8.33858460175655]
  リスク制約付き停止層であるCrosについて述べる。状態的エラーランキング,不随伴開発分割に関するポリシー設計,選択的診断誤差の LTT スタイルの正確なテストなどである。 その有限サンプル保証は、キャリブレーションラベルにアクセスする前に、候補ファミリー、テストルール、任意のランダム化を凍結する必要がある。
  論文  参考訳（メタデータ） (2026-09-09T03:46:53Z)
• Does Fault Localization Beat a Fresh Attempt? A Placebo-Controlled Study of Test-Guided Code Repair [0.0]
  フォールトローカライゼーションは、失敗したテストが意味するステートメントにコードモデルの修復に集中することができるが、ターゲットの編集が成功するのは、それが小さいためだけである。 我々はこれらの説明を3つの腕で分け、同じ失敗候補に当てはめます。 3つのフリーズ26-32Bモデル、3つのベンチマーク、488の候補が失敗し、3つの結果が続いた。
  論文  参考訳（メタデータ） (2026-09-01T07:48:51Z)
• When Compression Scores Cannot Decide: Information Boundaries for Group-Robust LLM Pruning [2.8699714648237387]
  密度の高い調査では、分割半信頼パス四分法スコアは16.1%上昇し、選択されたエンドポイントは2つの制御よりも6.0-7.7%低下した。 我々は、最も供給の悪いグループがいつデプロイに気を配るのか、圧縮統計が正当化できるものは何なのかを尋ねる。
  論文  参考訳（メタデータ） (2026-08-03T23:07:29Z)
• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• Share the Judge, Learn the Deferral: Where Specialization Helps LLM Evaluation [0.1269104766024433]
  99,952 の公試例について検討した。 正しいルーブリックを供給すると、応答のみの制御よりもロックテストの精度が2.11ポイント向上する。 RewardBench 2では、報酬スコアを変更することなく0.6B-4B-8Bカスケードを通した正当性ヘッドの例を学習した。
  論文  参考訳（メタデータ） (2026-07-30T10:29:22Z)
• Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。 正しい回答の18.2%は間違っているが、肯定的な報酬がある。 6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
  論文  参考訳（メタデータ） (2026-05-17T07:08:14Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Region Rebalance for Long-Tailed Semantic Segmentation [89.84860341946283]
  まず、ピクセル再バランスによってこの問題に対処する主な課題を調査し、特定する。 そして,本分析に基づいて,単純かつ効果的な領域再バランス方式を導出する。 提案された領域再均衡スキームでは、最先端のBEiTはADE20K val集合上のmIoUで+0.7%上昇する。
  論文  参考訳（メタデータ） (2022-04-05T03:47:47Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。