論文の概要: MM-VeriRec: Failure-Guided Fusion for Verifiable Agentic Multimodal Recommendation
- arxiv url: http://arxiv.org/abs/2609.31718v1
- Date: Mon, 21 Sep 2026 16:32:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 13:25:42.090261
- Title: MM-VeriRec: Failure-Guided Fusion for Verifiable Agentic Multimodal Recommendation
- Title（参考訳）: MM-VeriRec: 検証可能なエージェントマルチモーダルレコメンデーションのためのフェールガイド型核融合
- Abstract要約: MM-VeriRecは、検証可能なマルチモーダルレコメンデーションプロトコルであり、フェール誘導融合方式である。
MM-VeriRecは実際の映画ポスターとプロダクトイメージのデータセットからタスクを構築する。
動作可能なラベルを変換する:text-trap following, visual ignorance, false accept。
- 参考スコア（独自算出の注目度）: 2.921159958223653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Images often carry recommendation constraints that text metadata only hints at. A movie may need to look dark, a product may need a minimal style, and a visually impossible request should be rejected. Agentic multimodal recommenders must reason over text-image evidence, decide when visual evidence is decisive, and abstain when no valid action exists. We introduce MM-VeriRec, a verifiable multimodal recommendation protocol and failure-guided fusion method for hidden visual constraints, image-text mismatch, and impossible-task abstention. MM-VeriRec builds tasks from real movie-poster and product-image datasets, verifies each recommendation with deterministic visual attributes, and converts failures into actionable labels: text-trap following, visual ignorance, and false acceptance. Fusion should not merely concatenate modalities, but should diagnose which modality failed and route to the appropriate repair. Across MM-ML 1M and Amazon Reviews datasets, stronger text and vision embeddings improve retrieval but do not remove these failure modes, whereas failure-guided fusion does. The adaptive attribute gate reads the same tags the verifier checks and its scores are verifier-aligned upper bounds testing whether the taxonomy routes to the correct repair. More informative is transfer under a non-aligned gate: an independently derived leave-one-out CLIP detector still reaches 0.7028 and 0.6111 visual-grounded success, above both a VBPR baseline and plain fusion. The text-versus-visual gap reproduces across two LLM families, and the repair that helps differs by domain. MM-VeriRec is both a benchmark and a practical diagnostic loop for trustworthy agentic multimodal recommendation.
- Abstract（参考訳）: 画像には、テキストメタデータにのみヒントとなるレコメンデーションの制約があることが多い。
映画は暗く見え、製品は最小限のスタイルを必要とするかもしれないし、視覚的に不可能な要求は拒否されるべきである。
エージェント・マルチモーダル・レコメンデーターは、テキスト画像の証拠を判断し、視覚的証拠がいつ決定されたかを決定し、有効なアクションが存在しないことを棄却しなければならない。
MM-VeriRecは、隠れた視覚的制約、画像テキストのミスマッチ、および不可能なタスク停止のための、検証可能なマルチモーダル・レコメンデーション・プロトコルおよびフェール誘導融合手法である。
MM-VeriRecは、実際の映画ポスターと製品イメージのデータセットからタスクを構築し、決定論的視覚属性で各レコメンデーションを検証し、失敗を実行可能なラベルに変換する。
融合は単にモダリティを結合するだけでなく、どのモダリティが失敗したかを診断し、適切な修復に向かう必要がある。
MM-ML 1MとAmazon Reviewsのデータセット全体で、より強力なテキストとビジョンの埋め込みにより、検索が改善されるが、これらの障害モードは削除されない。
アダプティブ属性ゲートは、検証者がチェックするのと同じタグを読み、そのスコアは、正しい修復への分類経路をテストする検証者対応の上界である。
独立に派生したCLIP検出器は、VBPRベースラインと平らな融合のどちらよりも高い0.7028と0.6111の視野で成功している。
テキストと視覚のギャップは2つのLLMファミリーにまたがって再現され、その修復はドメインによって異なる。
MM-VeriRecは信頼性の高いエージェントマルチモーダルレコメンデーションのためのベンチマークと実用的な診断ループである。
関連論文リスト
- WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。
WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。
また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
論文 参考訳（メタデータ） (2026-08-28T08:28:43Z) - Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。
コードには手書きのコードはなく、人間による注釈もない。
エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
論文 参考訳（メタデータ） (2026-07-17T17:41:16Z) - Trust Before Fusion: QIMG-7 and Source-Aware Resolution for Polluted Multimodal RAG [45.88028371034407]
マルチモーダル検索拡張生成(RAG)はクリーンなエビデンスで評価されることが多いが、真の検索は、トポロジー的に関係があるが信頼できないコンテンツを返すことができる。
本稿では,多文事実QAにおけるマルチモーダル検索汚染のベンチマークであるQIMG-7を紹介する。
そこで本研究では,Parametric, Text-only, Full-MM の候補解と比較した学習自由な手法として,SATRを提案する。
論文 参考訳（メタデータ） (2026-07-12T15:13:09Z) - Meta-Modal Agent: Sequential Evidence Routing for Missing-Modality Candidate Reranking [12.476704430465754]
メタモーダルエージェント (Meta-Modal Agent, MMA) は, 欠陥を逐次的エビデンスルーティング問題として扱う, 大規模言語モデルに基づく候補プールリランカである。
MMAは、マスク付きモダリティエピソードに対するバランスのとれた欠如の強化学習で訓練されている。
MMA-Autoは自動テキスト、画像、グラフツールのみを使用するもので、MMA-Interactiveは、上行診断として生き残ったモダリティに基づく明確化の質問を許可する。
論文 参考訳（メタデータ） (2026-05-24T11:22:03Z) - Route, Retrieve, Reflect, Repair: Self-Improving Agentic Framework for Visual Detection and Linguistic Reasoning in Medical Imaging [3.6136448489318695]
医用イメージングを4つの協調エージェントに分解するエージェントフレームワークであるR4を提案する。
R4 は LLM-as-a-Judge のスコアを約 +1.7-2.5 で、mAP50 は 2.5-+3.5 の絶対点を強い単VLM ベースライン上で連続的に引き上げる。
論文 参考訳（メタデータ） (2026-01-13T03:44:06Z) - What's Left Unsaid? Detecting and Correcting Misleading Omissions in Multimodal News Previews [31.373823254968315]
事実が正しいとしても、ソーシャルメディアのニュースプレビューは解釈のドリフトを引き起こす。
この秘密の害は明示的な誤報よりも検出が難しいが、未発見のままである。
我々は、プレビューベースとコンテキストベースの理解を分離し、シミュレートするマルチステージパイプラインを開発した。
論文 参考訳（メタデータ） (2026-01-09T06:29:19Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文 参考訳（メタデータ） (2025-12-07T09:23:48Z) - UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。
UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。
実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
論文 参考訳（メタデータ） (2025-10-04T04:30:13Z) - F^2TTA: Free-Form Test-Time Adaptation on Cross-Domain Medical Image Classification via Image-Level Disentangled Prompt Tuning [18.58261691911925]
TTA(Test-Time Adaptation)は、未ラベルのテストデータを使用して、未表示の医療現場にソースモデルを適用するための有望なソリューションとして登場した。
本稿では,F$2$TTA(Fif-Form Test-Time Adaptation)タスクについて検討する。
論文 参考訳（メタデータ） (2025-07-03T08:50:56Z)
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。