論文の概要: Visual Evidence Under Cross-Examination: Evaluating and Controlling Decision-Level Evidence Use in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.09550v1
• Date: Wed, 07 Oct 2026 06:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.755258
• Title: Visual Evidence Under Cross-Examination: Evaluating and Controlling Decision-Level Evidence Use in Vision-Language Models
• Title（参考訳）: 相互検査による視覚的エビデンス:視覚言語モデルにおける決定レベルエビデンスの評価と制御
• Abstract要約: CROSS-Benchは、一致した無効化とリバインドテストを伴う28,000の判定問題のベンチマークである。 RIVETインターフェースは、証拠の同一性と不確実性を保持し、候補条件の応答を構成し、その強度を別々に制御する。 生の入力から予測された証拠により、RIVETは4つの冷凍バックボーンで平均5.70ppのCROSS-Bench精度を向上させる。
• 参考スコア（独自算出の注目度）: 18.708562711880138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models increasingly reason through crops, regions, and tool-produced observations. Yet an observation can influence the answer without benefiting the candidate it supports. We study candidate-bound visual contribution: valid evidence should help, invalidating its supporting relation should remove its additional effect, and valid rebinding should redirect that effect to the newly supported candidate. We introduce CROSS-Bench, a benchmark of 28,000 decision problems, with matched invalidation and rebinding tests on a dedicated evaluation subset. Our RIVET interface preserves evidence identity and uncertainty, composes a candidate-conditioned response, and separately controls its strength. Shared-evidence experiments show that task accuracy and evidence ownership can diverge. Under matched capacity and training, RIVET increases normalized effect transfer from 0.512 to 0.651 where clean evidence has a positive effect. The advantage persists on common evaluation examples and across repeated decision-layer fits. With evidence predicted from raw inputs, RIVET improves CROSS-Bench accuracy by an average of 5.70 pp across four frozen backbones, relative to the same models without auxiliary evidence. These results separate the utility of visual evidence from the candidate-specific destination of its effect.
• Abstract（参考訳）: 視覚言語モデルは、作物、地域、およびツール生産された観察を通してますます理にかなっている。 しかし、観察は、それが支持する候補に利益をもたらすことなく、答えに影響を与える可能性がある。 有効な証拠は助けるべきであり、支持関係の無効化はその追加効果を排除すべきであり、有効な再結合は新たに支持された候補にその効果を振り返るべきである。 28,000の判定問題のベンチマークであるCROSS-Benchを導入する。 RIVETインターフェースは、証拠の同一性と不確実性を保持し、候補条件の応答を構成し、その強度を別々に制御する。 共有エビデンス実験は、タスク精度とエビデンスオーナシップが分散可能であることを示している。 一致した能力と訓練の下で、RIVETは正常化効果の移動を0.512から0.651に増加させ、クリーンエビデンスには正の効果がある。 利点は、一般的な評価例と、繰り返し行われる決定層適合に続きます。 生の入力から予測された証拠により、RIVETはCROSS-Benchの精度を4つの冷凍後骨の平均5.70ppで改善する。 これらの結果は、視覚的エビデンスの有用性と、その効果の候補特異的な目的地とを区別する。

関連論文リスト

• VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks [56.74345405508208]
  LLMエージェントはますます複雑で長期のタスクをこなし、そのアウトプットを検証することがますます困難になっている。 本研究では, 基準応答へのアクセスや試験時の潤滑油の分解を行わずに, 固定ベースモデルで検証能力を強化する方法について検討する。 コンセンサスによってエラーを隠蔽できる一方で、不一致はしばしば正しい代替手段を公開することに気付きました。 これらの観察はVeriHarnessを動機付け、ジェネレータが使用する基礎となるLLMを、ワークスペース、エビデンスツール、再利用可能な検証スキルを与えることによって、エージェント検証器に変える。
  論文  参考訳（メタデータ） (2026-10-01T03:02:17Z)
• NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
  大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。 既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。 本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
  論文  参考訳（メタデータ） (2026-09-10T08:34:56Z)
• VERPO: Verified Evidence Regularized Policy Optimization [14.40177244052392]
  検証可能な結果報酬は、言語モデルポストトレーニングをガイドするが、シーケンスレベルの利点は、どのトークンレベルの決定を保存または修正すべきかを特定しない。 検証エビデンス正規化政策最適化フレームワークであるVERPOを紹介する。 これは、証拠のない参照復元と署名されたトークンレベルの証拠修正を分離する。
  論文  参考訳（メタデータ） (2026-09-05T13:52:18Z)
• Conditional Visual Evidence Utility: State-Dependent Rank Reversals in Frozen Vision-Language Encoders [2.0411082897313984]
  色, 形状, テクスチャのエビデンスを独立に露呈し, その条件付き限界効用が取得状態全体にわたって測定可能であることを示す。 800のシーンにおいて、凍結されたOpenCLIPとSigLIPは、強い状態依存のランク逆転を示す。 第1の取得後のみ、決定が1つのエビデンスモード、ワードリング、バックボーンで選択されると、肯定的なステップ2ユーティリティが生成される。
  論文  参考訳（メタデータ） (2026-08-28T13:25:40Z)
• Assessing the Downstream Utility of Evidence-Aware Retrieval in RAG [3.976291254896486]
  本研究では,検索者の比較,探索訓練の指導,下流の回答品質の予測,ジェネレータに供給された証拠のフィルタリングの4つの役割について回答支援信号について検討する。 信号は検索ランキングを変更するが、下流値が一様ではない。検索者訓練を確実に改善せず、システム選択に使用する利点は、検索した証拠の使い方によって異なる。
  論文  参考訳（メタデータ） (2026-08-26T20:07:45Z)
• AffectOmni: RL-Verifiable People-Centric Grounded Affective Reasoning for Social and Art-Related Scenes [59.134503227559634]
  マルチモーダル大言語モデル(MLLM)は,VQAとシーン理解において高い性能を発揮する。 モデルは、マイクロ表現やボディランゲージのような人中心の手がかりを無視しながら、正しい答えを予測できる。 本稿では、感情的推論を検証可能なフレームワークであるAffect Omniを提案する。
  論文  参考訳（メタデータ） (2026-08-24T11:25:04Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• CUE-R: Beyond the Final Answer in Retrieval-Augmented Generation [0.996038809132083]
  CUE-Rは、単発RAGにおいて、エビデンス単位の操作性を測定するためのフレームワークである。 CUE-RはREMOVE、REPLACE、DUPLICATE演算子を介して個々の証拠項目を摂動し、3つのユーティリティ軸に沿って変化を測定する。 その結果,回答のみの評価は重要なエビデンス効果を見逃し,介入に基づくユーティリティ分析がRAG評価の実践的補完となることが示唆された。
  論文  参考訳（メタデータ） (2026-04-07T06:05:08Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• From Relevance to Utility: Evidence Retrieval with Feedback for Fact Verification [118.03466985807331]
  我々は、FVの関連性よりも、クレーム検証者が取得した証拠から導出する実用性に焦点を当てる必要があると論じる。 本稿では,エビデンス検索プロセスの最適化に,クレーム検証器からのフィードバックを取り入れたフィードバックベースのエビデンス検索手法(FER)を提案する。
  論文  参考訳（メタデータ） (2023-10-18T02:59:38Z)

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。