論文の概要: Evaluating Explanation-Driven Vision-Language Reasoning via Generation Order Interventions

• arxiv url: http://arxiv.org/abs/2609.29496v1
• Date: Wed, 26 Aug 2026 13:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.04653
• Title: Evaluating Explanation-Driven Vision-Language Reasoning via Generation Order Interventions
• Title（参考訳）: 生成次数干渉による説明駆動型視覚言語推論の評価
• Abstract要約: 一つの世代でモデル予測に因果関係があるかどうかを系統的に評価する。 より大規模なモデルは、大規模で理性第一の推論を確実に支援するための前提条件として現れる。 全体として、説明順序付け、モデルスケールおよび事前学習知識、タスク固有の微調整、およびタスク構造は、予測精度と推論忠実度の両方に共同で影響を及ぼす。
• 参考スコア（独自算出の注目度）: 3.816538153840492
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Natural language explanation generation serves as a key mechanism for exposing and evaluating vision-language reasoning. Prior work on explanation-driven vision-language models predominantly follows a post-hoc (answer-first) paradigm, implicitly suggesting that supervised rationales can reflect underlying reasoning processes. In contrast, modern large vision-language models increasingly exhibit a rationale-first generation tendency, which more closely aligns with structured, stepwise reasoning. In this work, we systematically evaluate whether explanations are causally tied to model predictions within a single generation step under a controlled experimental setup, explicitly eliminating unnecessary chain-of-thought or other intermediate reasoning processes across knowledge-intensive QA, visual entailment, and compositional grounding benchmarks. We find that larger models emerge as a prerequisite for reliably supporting rationale-first reasoning at scale. However, answer-first generation is less prone to format-related errors in structured output. Overall, explanation ordering, model scale and pre-training knowledge, task-specific fine-tuning, and task structure jointly influence both prediction accuracy and reasoning faithfulness.
• Abstract（参考訳）: 自然言語の説明生成は、視覚言語推論の公開と評価の鍵となるメカニズムである。 説明駆動型視覚言語モデルに関する以前の研究は、主にポストホック(回答ファースト)パラダイムに従っており、教師付き論理が根底にある推論過程を反映できることを暗黙的に示唆している。 対照的に、現代の大きな視覚言語モデルは、より構造化された段階的推論とより緊密に一致する有理第一世代傾向を示す傾向が強まっている。 本研究では, 知識集約型QA, 視覚的エンタテインメント, 構成的接地ベンチマークにおける不要な連鎖や中間的推論プロセスを明示的に排除し, 単一生成段階におけるモデル予測に因果関係があるか否かを, 系統的に評価する。 より大規模なモデルは、大規模で理性第一の推論を確実に支援するための前提条件として現れる。 しかし、応答ファースト生成は、構造化された出力のフォーマット関連のエラーが少ない。 全体として、説明順序付け、モデルスケールおよび事前学習知識、タスク固有の微調整、タスク構造は、予測精度と推論忠実度の両方に共同で影響を及ぼす。

関連論文リスト

• Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
  我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。 この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
  論文  参考訳（メタデータ） (2026-05-27T08:43:13Z)
• Structured Reasoning for Large Language Models [59.215789462977206]
  本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。 SCRは推論効率と自己検証を大幅に改善する。 既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
  論文  参考訳（メタデータ） (2026-01-12T04:04:01Z)
• From Black-box to Causal-box: Towards Building More Interpretable Models [57.23201263629627]
  本稿では, 因果解釈可能性の概念を導入し, 特定のモデルのクラスから対実的クエリを評価できるときの形式化について述べる。 我々は、与えられたモデルアーキテクチャが与えられた偽物クエリをサポートするかどうかを決定する完全なグラフィカルな基準を導出する。
  論文  参考訳（メタデータ） (2025-10-24T20:03:18Z)
• Rethinking the Chain-of-Thought: The Roles of In-Context Learning and Pre-trained Priors [11.658759174514222]
  Chain-of-Thought推論は、モデル推論能力を向上するための重要な方法論として登場した。 本稿では、文脈内学習と事前学習との二重関係の観点から、思考の連鎖的推論の動作メカニズムを考察する。
  論文  参考訳（メタデータ） (2025-09-01T08:24:28Z)
• Causal Distillation: Transferring Structured Explanations from Large to Compact Language Models [0.0]
  大規模なプロプライエタリな言語モデルは、小さなオープンソースモデルでは複製が困難である強力な因果推論能力を示している。 本稿では,強力な教師モデルからコンパクトなオープンソースモデルへ因果推論スキルを伝達する因果説明を蒸留する新しい枠組みを提案する。 鍵となる考え方は、教師モデルと整合した構造的原因・効果説明を生成することにより、因果推論能力を向上させるために、より小さなモデルを訓練することである。
  論文  参考訳（メタデータ） (2025-05-26T04:50:42Z)
• Reasoning Elicitation in Language Models via Counterfactual Feedback [17.908819732623716]
  事実と反事実の質問において精度のバランスをとる新しい指標を導出する。 本稿では,より優れた推論機構を実現するための微調整手法を提案する。 各種現実シナリオにおける微調整言語モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-02T15:33:30Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Learning to Rationalize for Nonmonotonic Reasoning with Distant Supervision [44.32874972577682]
  モデル予測を説明する自然言語の理性について,ニューラルモデルが判断できる範囲について検討する。 トレーニング済みの言語モデル、ニューラルナレッジモデル、関連するタスクからの遠隔監視を使用します。 我々のモデルは、追加情報から推論が多かれ少なかれ起こりそうな理由を説明するポストホック論理を生成することを約束している。
  論文  参考訳（メタデータ） (2020-12-14T23:50:20Z)

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。