論文の概要: Reachability Is Not Generalization: Understanding Verb--Noun Decomposition in Assembly Action Recognition

• arxiv url: http://arxiv.org/abs/2610.00064v1
• Date: Fri, 04 Sep 2026 13:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.340273
• Title: Reachability Is Not Generalization: Understanding Verb--Noun Decomposition in Assembly Action Recognition
• Title（参考訳）: Reachability is not Generalization: Understanding Verb--Noun Decomposition in Assembly Action Recognition
• Abstract要約: 本稿では,3つの組立データセットにまたがる動詞-名詞分解の系統的解析について述べる。 未確認合成性能は、トレーニングデータの共起構造と強く結びついている。 共有エンコーダのトレーニングはコンポーネントの絡み合いを導入し、未知の合成に不利な共起パターンへの依存を促す。
• 参考スコア（独自算出の注目度）: 1.2072875728151518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assembly actions are compositional: they combine a manipulation with a part or tool. In deployment, systems routinely encounter novel combinations of familiar components, yet an atomic action classifier assigns every unseen combination exactly zero probability by construction. The prevailing solution is verb--noun decomposition, which predicts components separately and recombines them to reach unseen actions. While widely adopted, how decomposition generalizes under compositional shift remains poorly understood. We present a systematic analysis of verb--noun decomposition across three assembly datasets (MECCANO, HAViD, and IMPACT). Although decomposition escapes the atomic ceiling, its generalization extends only partially beyond it. Unseen-composition performance remains strongly tied to the co-occurrence structure of the training data, indicating that much of the observed gain arises from interpolation within densely supported regions of the compositional space rather than from unconstrained recombination. Across datasets, failures consistently concentrate on the larger-vocabulary component, and IMPACT's verb-heavy vocabulary reverses the bottleneck from nouns to verbs. We further show that shared-encoder training introduces component entanglement, encouraging reliance on co-occurrence patterns that transfer poorly to unseen compositions and trailing independent recombination by up to $6.0\times$ in harmonic mean. Taken together, these findings explain why decomposition achieves only partial compositional generalization in practice. By identifying primitive support, vocabulary asymmetry, and component entanglement as connected sources of error, we provide a portable diagnostic framework for studying compositional recognition beyond aggregate accuracy. Code: https://github.com/hisalaheiyo/assembly.
• Abstract（参考訳）: アセンブリアクションは構成的であり、操作を部品やツールと組み合わせる。 展開において、システムはよく知られたコンポーネントの新たな組み合わせに定期的に遭遇するが、原子アクション分類器は建設によって全く見つからないすべての組み合わせを正確にゼロに割り当てる。 一般的な解法は動詞-名詞分解であり、成分を別々に予測し、それらを組み換えて見知らぬ動作に導く。広く採用されているが、どのように分解が構成シフトの下で一般化するかは理解されていない。我々は3つのアセンブリデータセット(MECCANO、HAViD、IMPACT)で動詞-名詞分解を体系的に解析する。 分解は原子の天井から逃れるが、その一般化は部分的にはそれを超えるだけである。 未確認合成性能はトレーニングデータの共起構造と強く結びついており、観測された成果の多くは、非拘束組換えではなく、合成空間の密に支持された領域内での補間から生じていることを示している。 データセット全体にわたって、失敗はより大きな語彙成分に一貫して集中し、IMPACTの動詞重大語彙は、そのボトルネックを名詞から動詞に逆転させる。 さらに、共有エンコーダトレーニングはコンポーネントの絡み合いを導入し、未知の合成に不利な共起パターンを奨励し、調和平均で最大6.0\times$の独立再結合を追従することを示す。 これらの知見は, 分解が実際に部分的な組成一般化を達成できる理由を説明するものである。 基本的サポート,語彙非対称性,コンポーネントの絡み合いを接続した誤り源として同定することにより,集合的精度を超える合成認識を研究するための携帯型診断フレームワークを提供する。 コード:https://github.com/hisalaheiyo/assembly.com

関連論文リスト

• COMPASS: Grounding Composition-Intent Guidance in Unified Multimodal Models [52.024920838442576]
  本稿では,合成知覚と合成誘導生成の両方にまたがる単一システムにおいて,構成意図制御を基礎とする最初の統合マルチモーダルフレームワークを提案する。 Comp-11は11クラスの分類と推論拡張アノテーションを備えた大規模データセットである。
  論文  参考訳（メタデータ） (2026-06-27T02:43:13Z)
• Composition Collapse: Stable Factual Knowledge Does Not Imply Compositional Reasoning [22.936569050737827]
  統計的に識別不能な原子知識を持つレシピは、組成の挙動を40パーセント以上に分けて生成することを示す。 安定な原子アクセスを条件とした残差構成故障から集合構成ギャップへ推定値を変更する二重ゲートプロトコルを提案する。 トレーニング後の4つのレシピにまたがる2-11の時間的事実連鎖のベンチマークにおいて、この分解は、トレーニング後の目的がメトリクスマスクを集約する方向に構成能力をシフトすることを明らかにする。
  論文  参考訳（メタデータ） (2026-05-26T10:01:01Z)
• When Attention Collapses: Residual Evidence Modeling for Compositional Inference [0.0]
  加法的重ね合わせの下では、複数のスロットは同じ支配的成分に収束するが、弱いスロットは表現されない。 本稿では, 余剰エビデンスモデルを導入し, 証拠の枯渇と注意バイアスを併用した最小限の修正を行った。 合成ベンチマークと実世界のオーディオミックスの合計で、エビデンス劣化はスロットの崩壊を最大で1桁減少させる。
  論文  参考訳（メタデータ） (2026-05-04T08:18:02Z)
• Hierarchical Contrastive Learning for Multimodal Data [3.1788482285024107]
  階層的コントラスト学習(Hierarchical Contrastive Learning)は、グローバルに共有され、部分的に共有され、モダリティ固有の表現を学習するフレームワークである。 マルチモーダルな電子健康記録では、HCLはより情報的な表現をもたらし、常に予測性能を改善する。
  論文  参考訳（メタデータ） (2026-04-07T05:53:04Z)
• Why Can't I Open My Drawer? Mitigating Object-Driven Shortcuts in Zero-Shot Compositional Action Recognition [16.359091055581008]
  構成的ビデオ理解 (CVU) について検討し, モデルが動詞や対象を認識し, 未知の組み合わせに一般化するために構成する。 既存のゼロショット合成行動認識(ZS-CAR)モデルは、主に見過ごされた失敗モード(オブジェクト駆動動詞ショートカット)のために失敗する。 そこで本稿では,時相基底型動詞学習を実現するシンプルで効果的なフレームワークである RCORE を提案する。
  論文  参考訳（メタデータ） (2026-01-22T18:59:13Z)
• CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
  現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。 以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。 複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
  論文  参考訳（メタデータ） (2025-04-25T02:40:48Z)
• SHINE: Saliency-aware HIerarchical NEgative Ranking for Compositional Temporal Grounding [52.98133831401225]
  時間的グラウンドディング(英: Temporal grounding、ビデオモーメント検索(英語版))は、所定のクエリ文に対応するビデオセグメントを特定することを目的としている。 本稿では, GPT-3.5-Turbo を用いた負のクエリ構築のための大規模言語モデル駆動手法を提案する。 本稿では,ビデオと階層的負のクエリ間の多粒度意味的関係を学習するモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-06T16:08:17Z)
• When does compositional structure yield compositional generalization? A kernel theory [0.0]
  固定された構成的表現を持つカーネルモデルにおける合成一般化の理論を示す。 学習データのバイアスから生じる合成一般化における新しい障害モードを同定する。 本研究は, 学習データの統計的構造が構成一般化にどのように影響するかを考察する。
  論文  参考訳（メタデータ） (2024-05-26T00:50:11Z)
• Grounded Graph Decoding Improves Compositional Generalization in Question Answering [68.72605660152101]
  質問応答モデルは、長いシーケンスやより複雑なテスト構造のようなトレーニングパターンの新しい構成に一般化するのに苦労する。 構造化された予測をアテンション機構でグラウンド化することで,言語表現の合成一般化を改善する手法であるグラウンドドグラフデコーディングを提案する。 本モデルは,質問応答における合成一般化の挑戦的ベンチマークである構成自由ベース質問(CFQ)データセットにおいて,最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2021-11-05T17:50:14Z)
• Disentangled Sequence to Sequence Learning for Compositional Generalization [62.954842223732435]
  本稿では,ソース入力を適応的に再符号化することで,不整合表現の学習を可能にするシーケンス・ツー・シーケンス・モデルの拡張を提案する。 意味解析と機械翻訳の実験結果から,提案手法はより不整合な表現とより優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-10-09T22:27:19Z)
• Learning Algebraic Recombination for Compositional Generalization [71.78771157219428]
  合成一般化のための代数的組換え学習のためのエンドツーエンドニューラルモデルLeARを提案する。 主要な洞察は、意味解析タスクを潜在構文代数学と意味代数学の間の準同型としてモデル化することである。 2つの現実的・包括的構成一般化の実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2021-07-14T07:23:46Z)

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。