Fugu-MT 論文翻訳(概要): A Stevens's Power Law Check-up of GPT-5.5's Image-Based Visualization Reading

論文の概要: A Stevens's Power Law Check-up of GPT-5.5's Image-Based Visualization Reading

arxiv url: http://arxiv.org/abs/2610.08365v1
Date: Tue, 06 Oct 2026 13:52:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:30.017734
Title: A Stevens's Power Law Check-up of GPT-5.5's Image-Based Visualization Reading
Title（参考訳）: GPT-5.5の画像に基づく可視化読解におけるスティーブンスの法則の検証
Abstract要約: 我々はスティーブンスの力の法則を応用して、可視化を読むためにAIモデルの本質的な能力を測定する。モデルはまず参照された視覚的表現を見てその大きさを推定し、その後、同じ表現のそれぞれの画像の大きさを推定する。
参考スコア（独自算出の注目度）: 3.765281403026053
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We adapt Stevens's power law to measure the innate ability of AI models to read visualizations, which can reveal the built-in perceptual mechanisms of algorithmic models. In our pilot study, models see no legend. A model first views a reference visual representation and estimates its magnitude, then estimates the magnitude of each subsequent image of the same representation relative to that reference. Our evaluation of twelve visual variables makes how algorithmic models read visual encodings measurable, comparable with human perception, and more interpretable to humans.
Abstract（参考訳）: 我々はスティーブンスの力の法則を応用し、AIモデルの本質的な能力を測定して視覚化を読み取る。私たちのパイロットスタディでは、モデルには伝説は見当たらない。モデルはまず参照された視覚的表現を視察し、その大きさを推定し、その参照に対して同じ表現の後の各画像の大きさを推定する。 12の視覚的変数を評価することで、アルゴリズムモデルがどのように視覚的エンコーディングを読み取るかが測定可能となり、人間の知覚に匹敵し、より人間に解釈できる。

関連論文リスト

Sparse Autoencoders for Scientifically Rigorous Interpretation of Vision Models [27.806966289284528]
本稿では、スパースオートエンコーダ(SAE)を用いて、人間の解釈可能な視覚的特徴を発見する統一的なフレームワークを提案する。そこで本研究では,SAEがモデル再学習を行なわずに,解釈可能な視覚特徴を確実に識別・操作できることを示す。
論文参考訳（メタデータ） (2025-02-10T18:32:41Z)
When Does Perceptual Alignment Benefit Vision Representations? [76.32336818860965]
視覚モデル表現と人間の知覚的判断との整合がユーザビリティに与える影響について検討する。モデルと知覚的判断を一致させることで、多くの下流タスクで元のバックボーンを改善する表現が得られることがわかった。その結果,人間の知覚的知識に関する帰納バイアスを視覚モデルに注入することは,より良い表現に寄与することが示唆された。
論文参考訳（メタデータ） (2024-10-14T17:59:58Z)
Assessing Graphical Perception of Image Embedding Models using Channel Effectiveness [20.269583912221734]
画像埋め込みモデルの視覚的知覚を評価するための新しい評価フレームワークを提案する。チャート理解のために,様々な視覚チャネルの精度と識別可能性という,チャネルの有効性の2つの主な側面について検討する。 CLIPモデルを用いた実験では、チャンネルの精度が人間と異なることが分かり、長さ、傾き、曲率などのチャンネルで独自の識別性を示す。
論文参考訳（メタデータ） (2024-07-30T14:22:13Z)
Evaluating Vision-Language Models on Bistable Images [34.492117496933915]
本研究は,バイスタブル画像を用いた視覚言語モデルについて,これまでで最も広範に検討したものである。私たちは手動で29枚のバイスタブル画像と関連するラベルを集め、明るさ、色調、回転で116種類の操作を行ないました。以上の結果から,Idefics ファミリーと LLaVA1.5-13b のモデルを除いて,別の解釈が優先されていることが明らかとなった。
論文参考訳（メタデータ） (2024-05-29T18:04:59Z)
A Vision Check-up for Language Models [61.852026871772914]
テキストのモデルを用いて、予備的な視覚表現学習システムをどのように訓練するかを示す。自己教師付き視覚表現学習の実験は、自然画像のセマンティックアセスメントを行うことができる視覚モデルを訓練する可能性を強調している。
論文参考訳（メタデータ） (2024-01-03T18:09:33Z)
Sequential Modeling Enables Scalable Learning for Large Vision Models [120.91839619284431]
本稿では,言語データを用いずにLVM(Large Vision Model)を学習できる新しい逐次モデリング手法を提案する。我々は、生画像やビデオや注釈付きデータソースを表現できる共通フォーマット「視覚文」を定義した。
論文参考訳（メタデータ） (2023-12-01T18:59:57Z)
Localization vs. Semantics: Visual Representations in Unimodal and Multimodal Models [57.08925810659545]
既存の視覚・言語モデルと視覚のみのモデルにおける視覚表現の比較分析を行う。我々の経験的観察は、視覚・言語モデルがラベル予測タスクに優れていることを示唆している。我々の研究は、視覚学習における言語の役割に光を当て、様々な事前学習モデルの実証的なガイドとして機能することを願っている。
論文参考訳（メタデータ） (2022-12-01T05:00:18Z)
Learning an Adaptation Function to Assess Image Visual Similarities [0.0]
ここでは、類推が重要となるとき、視覚的イメージ類似性を学ぶための特定のタスクに焦点を当てる。本稿では,異なるスケールとコンテンツデータセットで事前学習した,教師付き,半教師付き,自己教師型ネットワークの比較を提案する。 The Totally Looks Like Image dataset conducted on the Totally Looks Like image highlight the interest of our method, by increase the search scores of the best model @1 by 2.25x。
論文参考訳（メタデータ） (2022-06-03T07:15:00Z)
Learnable Visual Words for Interpretable Image Recognition [70.85686267987744]
モデル予測動作を2つの新しいモジュールで解釈するLearable Visual Words (LVW)を提案する。意味的な視覚的単語学習は、カテゴリ固有の制約を緩和し、異なるカテゴリ間で共有される一般的な視覚的単語を可能にする。 6つの視覚的ベンチマーク実験により,提案したLVWの精度とモデル解釈における優れた効果が示された。
論文参考訳（メタデータ） (2022-05-22T03:24:45Z)

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。