論文の概要: Attribution Gaps in Zero-Training LLM+OVOD Pipelines: A Fine-Grained Analysis of the CAAP--SNAP Discrepancy

• arxiv url: http://arxiv.org/abs/2609.32567v1
• Date: Sat, 26 Sep 2026 12:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:17:50.230263
• Title: Attribution Gaps in Zero-Training LLM+OVOD Pipelines: A Fine-Grained Analysis of the CAAP--SNAP Discrepancy
• Title（参考訳）: ゼロトレーニングLDM+OVODパイプラインの属性ギャップ:CAAP-SNAPの微粒化解析
• Abstract要約: 本報告では, 5000イメージのCOCO-Valスプリット(27,273回検出)について, 元の作業で評価した小さなサブセットではなく, フルサイズのCOCO-Valスプリット(27,273回検出)について検討する。 オブジェクトの視覚的複雑さはドライバではないことが判明します -- 小さく、隠蔽されたオブジェクトは、もしあれば、大きなオブジェクトよりもローカライズされたものです。 完全なローカライゼーション障害のように見えるものの78～88%は、本当のオブジェクトを正しく見つけるモデルです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LAOD and similar zero-training LLM+open-vocabulary-detector (OVOD) pipelines score two things separately: class-agnostic localization accuracy (CAAP) and semantic naming accuracy (SNAP). The two consistently diverge, and nobody has asked why. This paper asks why, on the full 5,000-image COCO-Val split (27,273 detections) rather than the small subset the original work evaluated on. Object visual complexity turns out not to be the driver -- small and occluded objects are, if anything, localized better than large ones. Vocabulary novelty is: once the LLM's wording falls outside the detector's native category set, localization accuracy falls from 80.9% to 31.6%. That drop is not spread evenly across unfamiliar phrasing, though. Almost all of it comes from cases where the novel wording actually names a different object than the one COCO annotated (true synonyms still score 89.3%; semantically unrelated "noise" labels score 12.0%). A closer look at a further failure subset tells a similar story: 78-88% of what looks like complete localization failure is really the model correctly finding a real object that COCO's non-exhaustive 80-category scheme simply never labeled, not hallucination. Swap the detector backbone (YOLO-World for Grounding DINO) or the LLM (Gemma-3 for Qwen2.5-VL) and both the effect and its rough size hold up, so this looks like a general property of the pipeline family rather than a quirk of one model pairing. The upshot is that a large share of the apparent CAAP--SNAP gap traces back to closed-category annotation limits rather than a real grounding failure, which matters for how we detect hallucination, analyze failure modes, and design evaluation for grounded multimodal systems meant to work in the open world.
• Abstract（参考訳）: LAODと同様のゼロトレーニングLLM+open-vocabulary-detector(OVOD)パイプラインは、クラス非依存のローカライゼーション精度(CAAP)と意味的命名精度(SNAP)の2つを別々にスコアする。 2人は相変わらず異動し、誰も理由を尋ねなかった。 本論文は, 5000イメージのCOCO-Valスプリット(27,273回検出)について, 当初評価した小さなサブセットではなく, フルサイズのCOCO-Valスプリット(27,273回検出)について述べる。 オブジェクトの視覚的複雑さはドライバではないことが判明します -- 小さく、隠蔽されたオブジェクトは、もしあれば、大きなオブジェクトよりもローカライズされたものです。 語彙的ノベルティは、LLMのワードが検出器の固有カテゴリーの外側に落ちると、ローカライゼーションの精度は80.9%から31.6%に低下する。 しかし、この落ち込みは馴染みの無い言い回しに均等に広まっていない。 ほぼ全ては、新語が実際にCOCOの注釈付けされたものとは異なるオブジェクトを名付ける場合に由来する(実際には同義語は89.3%であり、意味的に無関係な「ノイズ」ラベルは12.0%である)。 完全なローカライゼーション障害のように見えるものの78～88%は、COCOの80-カテゴリではない実際のオブジェクトを正しく見つけるモデルであり、幻覚ではない。 検出器のバックボーン (YOLO-World for Grounding DINO) や LLM (Gemma-3 for Qwen2.5-VL) と、その効果と粗さの両方が保たれるので、これは1つのモデルペアリングのクォークではなく、パイプラインファミリーの一般的な性質のように見える。 これは、幻覚の検出、障害モードの分析、そしてオープンな世界で機能することを意図した接地されたマルチモーダルシステムの設計評価に重要である。

関連論文リスト

• MinCU: A Fine-Grained Benchmark for Grounded Minimal-Change Understanding in Image Pairs [75.68851107229308]
  マルチモーダル大言語モデル(MLLM)において、身近な画像間のきめ細かい相違の局所化と記述は、重要で未探索の能力である。 各サンプルは、対象カテゴリ、属性、カウント、空間的位置の1つの原子的変化によって異なる画像対から構成される。
  論文  参考訳（メタデータ） (2026-09-20T03:48:09Z)
• WALDO: One-Shot Exemplar-Conditioned Object Detection in Cluttered Scenes [0.0]
  WALDOは3.4Mのトレーニング可能なパラメータを持つワンショットの例証および言語条件付き検出ヘッドである。 トレーニング可能なパラメータが3.4Mのワンショット例と言語条件付き検出ヘッドであるWALDOを提案する。
  論文  参考訳（メタデータ） (2026-08-28T11:33:46Z)
• OV3D-Bench: A Diagnostic Benchmark for Open-Vocabulary Monocular 3D Detection [82.26920986339502]
  OV3D-Benchは、開語彙単分子3D検出器をデプロイリアルな条件下で比較する診断ベンチマークである。 7つの代表検出器を評価し, (i) 対象をよく局所化するが, しばしば意味的に隣接したカテゴリとして, 正しく局所化されたボックスを誤ラベルする。 我々は、SigLIPv2のような対照的な視覚言語エンコーダを用いて、凍結閉語彙検出器の予測を単に再マッピングするだけで、近年のオープン語彙法と競合することを示した。
  論文  参考訳（メタデータ） (2026-08-17T20:38:57Z)
• Confidence Scores in Open-Vocabulary Detection Are a Biased Mixture of Scale and Semantics [8.465978346858842]
  CLIPのような基盤モデルは、視覚言語的類似性を通じて新しいカテゴリに一般化するオープン語彙オブジェクト検出器を可能にした。 スケールバイアスの発見は2つの効果の偏りのある混合であることを示す。 これらの結果から,画像レベルの基礎モデルを領域レベルの検出タスクに適用する上での基本的限界が明らかとなった。
  論文  参考訳（メタデータ） (2026-07-13T01:33:18Z)
• Detecting Hallucinations in Retrieval-Augmented Generation through Grounding-Aware Sensitivity by Perturbation (GASP) [1.827510863075184]
  Grounding-Aware Sensitivity by Perturbation (GASP) は、抽出された証拠にどれだけ強く依存するかによって、各回答文をスコアするスパンレベル検出器である。 GASPは、完全なコンテキスト下で修正され、コンテキストなしで再スコアされ、各チャンクが削除された後、ログライクなドロップとJensen-Shannonの発散を測定する。 2つのモデルファミリーの3つのインストラクションチューニングスコアを用いた3つのベンチマーク(RAGTruth, TofuEval, RAGBench)でGASPを評価する。
  論文  参考訳（メタデータ） (2026-07-05T10:35:30Z)
• Grounded Iterative Language Planning: How Parameterized World Models Reduce Hallucination Propagation in LLM Agents [2.571318992830046]
  エージェントベースの世界モデルは、APIと理由を柔軟に言語で呼び出すが、その誤りは通常の回帰損失で得点が難しい幻覚状態の変化として現れる。 パラメータ化された世界モデルは、トレーニングされた遷移予測器であり、その誤差は、NodeMSE、デルタ精度、精度などの量で測定しやすくなる。 これら2つのファミリーをグラフ構造化計画ベンチマークで比較し、エージェントベースのケースに対する運用幻覚指標を導入する。 この比較は、小さなパラメータ化されたバックボーンのみをトレーニングし、APIベースのエージェント推論と組み合わせた、グラウンテッド反復言語計画(GILP)を動機付けている。
  論文  参考訳（メタデータ） (2026-06-26T07:45:15Z)
• Interpreting Object-level Foundation Models via Visual Precision Search [54.575247537324344]
  より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。 本研究では,DINO と Florence-2 の SOTA に対するオブジェクトレベルのタスク解釈可能性の向上を,様々な評価指標で示す。 提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
  論文  参考訳（メタデータ） (2024-11-25T08:54:54Z)
• See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
  この課題を解決するために,LMMのカスケードと共同学習手法を提案する。 得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
  論文  参考訳（メタデータ） (2023-12-13T18:58:04Z)
• 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。