論文の概要: OmniVCBench: Benchmarking Evidence-Grounded Multimodal Reasoning Towards AI Virtual Cells
- arxiv url: http://arxiv.org/abs/2609.37773v1
- Date: Tue, 29 Sep 2026 15:13:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.666018
- Title: OmniVCBench: Benchmarking Evidence-Grounded Multimodal Reasoning Towards AI Virtual Cells
- Title（参考訳）: OmniVCBench: AI仮想セルに向けてのエビデンスを取り巻くマルチモーダル推論のベンチマーク
- Abstract要約: 既存のAIVCベンチマークは、主にシミュレーション層で動作する。
我々は、AIVCの解釈コンポーネントのためのフィギュア中心のソーストレース可能なベンチマークであるOmniVCBenchを紹介する。
本稿では,タスク条件付きMLLM-as-a-judgeフレームワークであるAIVC-Judgeを紹介する。
- 参考スコア（独自算出の注目度）: 37.392883103958255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence Virtual Cells (AIVCs) are envisioned as scientific agents that simulate cellular responses, explain underlying mechanisms, and support hypothesis-driven discovery. Existing AIVC benchmarks, however, operate primarily at the simulation layer, motivating complementary evaluation of how models interpret experimental evidence and formulate biological hypotheses. We introduce OmniVCBench, a figure-centric, source-traceable benchmark for the interpretation component of an AIVC. It contains 6,077 curated single- and multi-subfigure question--answer pairs derived from figures and experimental contexts in the scientific literature. Guided by Bloom's taxonomy, we instantiate interpretation-layer counterparts of the AIVC Predict--Explain--Discover agenda through three scientific reasoning tasks. We further introduce AIVC-Judge, a task-conditioned MLLM-as-a-judge framework with category-specific, reference-aware rubrics for evaluating open-ended responses. A complementary Model-Derived Hard-Negative Mining (MDHNM) strategy converts plausible errors observed during model inference into MCQ distractors for lower-cost evaluation. Within the evaluated heterogeneous model pool, MCQ accuracy correlates positively with AIVC-Judge scores, providing a complementary view of performance alongside open-response evaluation. Code and data demo are available at https://anonymous.4open.science/r/OmniVCBench.
- Abstract（参考訳）: AIVC(Artificial Intelligence Virtual Cells)は、細胞応答をシミュレートし、基礎となるメカニズムを説明し、仮説駆動の発見をサポートする科学的エージェントとして構想されている。
しかし、既存のAIVCベンチマークは、主にシミュレーション層で動作し、モデルがどのように実験的な証拠を解釈し、生物学的仮説を定式化するかを補完的に評価する動機となっている。
我々は、AIVCの解釈コンポーネントのためのフィギュア中心のソーストレース可能なベンチマークであるOmniVCBenchを紹介する。
6,077個のキュレートされた単一サブフィギュアと多サブフィギュアの問合せ--科学文献の数字と実験的な文脈から導かれる解答対を含んでいる。
ブルームの分類学に導かれ、我々は3つの科学的推論タスクを通してAIVC予測-説明-の解釈層を瞬時に発見する。
さらに,タスク条件付きMLLM-as-a-judgeフレームワークであるAIVC-Judgeを紹介する。
MDHNM(Model-Derived Hard-Negative Mining)戦略は,モデル推論中に観測された可塑性誤差をMCQイントラクタに変換し,低コストな評価を行う。
評価された異種モデルプール内では、MCQ精度はAIVC-Judgeスコアと正に相関し、オープンレスポンス評価と相補的な性能のビューを提供する。
コードとデータのデモはhttps://anonymous.4open.science/r/OmniVCBenchで公開されている。
関連論文リスト
- ATLAS: Active Theory Learning for Automated Science [2.8432280434353405]
ATLAS(Active Theory Learning for Automated Science)は、解釈可能な行動モデルのデータ駆動的発見のためのアクティブな学習フレームワークである。
本研究では,バンドイットタスクにおける強化学習エージェントの動作を回復する問題に対して,本手法を検証した。
論文 参考訳（メタデータ） (2026-06-10T17:52:03Z) - scE$^2$TM: Toward Interpretable Single-Cell Embedding via Topic Modeling [21.79077173300944]
高品質なセル埋め込みと強力な解釈を提供する,外部知識誘導型単一セル埋め込みトピックモデルである scE2TM を提案する。
20のscRNA-seqデータセットの包括的な評価は、scE2TMがクラスタリング性能を著しく向上することを示す。
論文 参考訳（メタデータ） (2025-07-11T07:15:13Z) - MindGYM: What Matters in Question Synthesis for Thinking-Centric Fine-Tuning? [51.85759493254735]
MindGYMは、質問合成のための構造化されスケーラブルなフレームワークである。
モデル合成の振る舞いを形作るために、高レベルの推論目的を注入する。
より深い推論のために、QAシードに基づいてより複雑なマルチホップ質問を構成する。
論文 参考訳（メタデータ） (2025-03-12T16:03:03Z) - VACT: A Video Automatic Causal Testing System and a Benchmark [55.53300306960048]
VACTは、現実世界のシナリオにおけるVGMの因果的理解をモデル化、評価、測定するための**自動**フレームワークである。
マルチレベル因果評価指標を導入し、VGMの因果性能を詳細に分析する。
論文 参考訳（メタデータ） (2025-03-08T10:54:42Z) - Mechanistic understanding and validation of large AI models with SemanticLens [13.712668314238082]
航空機のような人間工学的なシステムとは異なり、AIモデルの内部動作はほとんど不透明である。
本稿では、コンポーネントによって符号化された隠れた知識をマッピングするニューラルネットワークの普遍的説明法であるSemanticLensを紹介する。
論文 参考訳（メタデータ） (2025-01-09T17:47:34Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T06:33:48Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-09-30T18:29:09Z) - Incorporating Casual Analysis into Diversified and Logical Response
Generation [14.4586344491264]
条件変分オートエンコーダ(CVAE)モデルは、従来のSeq2Seqモデルよりも多様な応答を生成することができる。
本稿では,メディエータが関連する情報を保持することを予測し,メディエータを自動回帰的に生成プロセスに組み込むことを提案する。
論文 参考訳（メタデータ） (2022-09-20T05:51:11Z) - AcME -- Accelerated Model-agnostic Explanations: Fast Whitening of the
Machine-Learning Black Box [1.7534486934148554]
解釈可能性のアプローチは、ユーザが待つことなく、実行可能な洞察を提供するべきです。
本稿では,グローバルレベルとローカルレベルの両方で特徴的重要性のスコアを迅速に提供する解釈可能性アプローチである,アクセレーションモデル非依存説明(AcME)を提案する。
AcMEは機能ランキングを計算しますが、機能値の変化がモデル予測にどのように影響するかを評価するために、What-if分析ツールも提供しています。
論文 参考訳（メタデータ） (2021-12-23T15:18:13Z)
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。