論文の概要: The Temporal Tug-of-War: Visualizing and Detecting RAG Conflicts in Diffusion Models via Trajectory Variance

• arxiv url: http://arxiv.org/abs/2609.31684v1
• Date: Wed, 16 Sep 2026 14:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:51:16.890853
• Title: The Temporal Tug-of-War: Visualizing and Detecting RAG Conflicts in Diffusion Models via Trajectory Variance
• Title（参考訳）: 時間的Tug-of-War:軌跡変動による拡散モデルにおけるRAG衝突の可視化と検出
• Abstract要約: 軌道可変スコア (TVS) は、このばらつきの単純かつ解釈可能な尺度である。 TVSは、独立な聴覚軌跡にまたがる回答埋め込みの平均余弦距離を計算する。 LLaDAとドリーム7Bをまたいだ評価は、衝突によって引き起こされる軌道力学とその重要な性質が異なる拡散アーキテクチャ間で伝達されることを示す。
• 参考スコア（独自算出の注目度）: 4.0571268682981865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) introduces a specific failure mode in discrete diffusion language models: when retrieved context contradicts parametric knowledge, the iterative denoising process becomes a visible battleground between competing knowledge sources. We identify temporal semantic divergence as an observable for detecting these conflicts and introduce the Trajectory Variance Score (TVS), a simple and interpretable measure of this divergence. TVS computes the mean pairwise cosine distance of answer embeddings across independent stochastic denoising trajectories, capturing the temporal tug of war between parametric and contextual attractors. Requiring as few as two parallel inference runs, TVS is computationally lightweight. Across four diverse datasets (Synthetic, SciQ, PopQA, and CounterFact), a simple Logistic Regression classifier using TVS achieves $70.10\%$ accuracy and $0.7647$ AUROC on LLaDA. On Dream 7B, increasing the number of trajectories from two to five improves accuracy from $63.91\%$ to $69.62\%$. More complex sequential models provide only marginal improvements over the linear classifier. Evaluation across LLaDA and Dream 7B demonstrates that conflict-induced trajectory dynamics and their key properties transfer across distinct diffusion architectures.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、離散拡散言語モデルにおいて特定の障害モードを導入している。 時間的意味的発散はこれらの矛盾を検出するための観測可能であり、この発散の簡易かつ解釈可能な指標であるトラジェクトリ・ヴァリタンス・スコア(TVS)を導入する。 TVSは、個別の確率的認知軌道にまたがる平均の対角距離を計算し、パラメトリックと文脈的アトラクションの間の時間的な綱引きを捉えている。 2つの並列推論実行を必要とするため、TVSは計算量的に軽量である。 4つの多様なデータセット(Synthetic、SciQ、PopQA、CounterFact)にわたって、TVSを使った単純なロジスティック回帰分類器は、LLaDA上で70.10\%の精度と0.7647$AUROCを達成する。 ドリーム7Bでは、軌道の数を2から5に増やすと、精度が63.91\%から69.62\%に向上する。 より複雑なシーケンシャルモデルは、線形分類器よりも限界的な改善しか提供しない。 LLaDAとドリーム7Bをまたいだ評価は、衝突によって引き起こされる軌道力学とその重要な性質が異なる拡散アーキテクチャ間で伝達されることを示す。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• Reliability Challenges in Diffusion Vision-Language Models [2.6281187565150526]
  拡散に基づくLarge Vision-Language Models (dLVLMs) は自己回帰(AR) LVLMの強力な代替品として登場した。 本報告では,dLVLMにおける幻覚と偏見の信頼性評価について述べる。
  論文  参考訳（メタデータ） (2026-09-01T14:38:50Z)
• Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection [10.264738258468254]
  クロススケールカップリングミスマッチは新しい法医学的信号である。 自然ビデオでは、マクロレベルの時間的ダイナミクスとマイクロレベルの残留パターンは、統合されたイメージング物理パイプラインによって本質的に結合される。 しかし、この共同分布を明示的に保持していないトレーニング目的を持つAIジェネレータは、この結合を体系的に違反する。 このようなミスマッチの検出は、両方のスケールで独立して情報を抽出する必要があるため、難しい。
  論文  参考訳（メタデータ） (2026-09-01T05:23:48Z)
• TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs [36.2604844032041]
  ビデオマルチモーダル大言語モデル(MLLM)は、ビデオ内で何が起こるかを記述することができるが、支持された証拠がいつ発生したかを特定することは滅多にない。 本研究では,ビデオの長さ,領域,クエリフォーム,視点をまたいだエビデンス間隔の変動心電図を1つのモデルで予測する一般的なビデオ時間的グラウンドについて検討する。 TimeLens2は、時間的エビデンスを、監督と最適化を通じて設定されたインターバルとして扱う。
  論文  参考訳（メタデータ） (2026-07-19T22:04:33Z)
• Multivariate Time Series Anomaly Detection via Dual-Branch Reconstruction and Autoregressive Flow-based Residual Density Estimation [11.664519282299485]
  本稿では,DBRエンコーダと自動回帰フロー(AF)モジュールを統合した新しいフレームワークであるDBR-AFを提案する。 DBRエンコーダは、急激な相関を緩和するために、クロス変数相関学習とイントラ変数統計特性モデリングを分離する。 7つのベンチマークデータセットの実験は、DBR-AFが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-03-29T15:18:14Z)
• Amortized Variational Inference for Logistic Regression with Missing Covariates [4.027766797152636]
  Amortized Variational Inference for Logistic Regression (AV-LR) は、バイナリロジスティック回帰のための統一されたエンドツーエンドフレームワークである。 AV-LRは、確率的生成モデルと単純な償却推論ネットワークを統合する。 計算コストを大幅に削減し、最先端のEMライクなアルゴリズムと同等かそれ以上の精度で推定できる。
  論文  参考訳（メタデータ） (2026-03-22T14:00:59Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Enhancing the Outcome Reward-based RL Training of MLLMs with Self-Consistency Sampling [90.87033586963828]
  マルチモーダル大言語モデル(MLLM)のステップ・バイ・ステップ推論を洗練させる手段としては,アウトカム・リワード強化学習(RL)が一般的であり,ますます重要になっている。 この問題を修正するために,自己整合サンプリング(SCS)を提案する。 Qwen2.5-VL-7B-インストラクトに基づいて、SCSは、無視できる余分な計算を伴う6つのマルチモーダルベンチマークにおいて、最大7.7ポイントの精度を向上する。
  論文  参考訳（メタデータ） (2025-11-13T18:59:57Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

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。