論文の概要: DVLA-RL++: Dual-Level Vision-Language Alignment with Reinforcement Learning Gating for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2610.12095v1
• Date: Thu, 08 Oct 2026 15:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.103304
• Title: DVLA-RL++: Dual-Level Vision-Language Alignment with Reinforcement Learning Gating for Few-Shot Learning
• Title（参考訳）: DVLA-RL++:Few-Shot Learningのための強化学習ゲーティング付きデュアルレベル視覚言語アライメント
• Abstract要約: 少数ショット学習は,限定ラベル付き例から新しいカテゴリーを認識することを目的としている。 本稿では,DVLA-RLを拡張したDVLA-RL++を提案する。 標準、細粒度、クロスドメインベンチマークの実験では、DVLA-RLよりも平均1.4%向上した最先端の精度を示している。
• 参考スコア（独自算出の注目度）: 88.12652174429904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning aims to recognize novel categories from limited labeled examples. Recent studies incorporate textual semantics to compensate for limited visual observations and improve class representations. However, high image-text agreement may reflect both intrinsic object properties and incidental context, making support prototypes susceptible to contextual contamination. To address this problem, we propose DVLA-RL++, which extends DVLA-RL with complementary semantic purification (CSP) and counterfactual reinforcement-learning gating (CRG). Specifically, CSP generates intrinsic and nuisance descriptions from labeled supports and compares their agreement with each support token. An ambiguity-dependent rejection margin guides sparse evidence allocation, while an intrinsic semantic anchor fills the unassigned mass to provide a fallback when visual evidence is unreliable. CRG learns layer-wise semantic fusion strengths using a reward that balances recognition performance and nuisance exposure. An independently executed reference trajectory on the same episode provides a paired learning signal. Theoretical analysis relates retained evidence and anchor quality to prototype stability and establishes conditions for unbiased on-policy gradient estimation. Experiments on standard, fine-grained, and cross-domain benchmarks show state-of-the-art accuracy, with an average gain of 1.4% over DVLA-RL. The project page is available at https://peacelwh.github.io/TPAMI27-DVLA-RLpp/.
• Abstract（参考訳）: 少数ショット学習は,限定ラベル付き例から新しいカテゴリーを認識することを目的としている。 近年の研究では、限られた視覚的観察を補い、クラス表現を改善するためにテキスト意味論が取り入れられている。 しかし、画像テキストの高一致は、本質的なオブジェクト特性と偶発的コンテキストの両方を反映し、コンテキスト汚染に敏感なサポートプロトタイプを作ることができる。 この問題に対処するために,DVLA-RLを拡張したDVLA-RL++を提案する。 具体的には、CSPはラベル付きサポートから本質的およびニュアンスな記述を生成し、それぞれのサポートトークンと比較する。 曖昧性に依存した拒絶マージンは、スパースエビデンス割り当てを導く一方、本質的なセマンティックアンカーは、視覚的エビデンスが信頼できない場合にフォールバックを提供するために、割り当てられていないマスを埋める。 CRGは、認識性能とニュアンス露光のバランスをとる報酬を用いて、レイヤワイズなセマンティックフュージョン強度を学習する。 同じエピソード上で独立に実行される参照軌跡は、ペア化された学習信号を提供する。 理論解析は、維持された証拠とアンカー品質をプロトタイプの安定性に関連付け、非バイアスのオン・ポリティクス勾配推定の条件を確立する。 標準、細粒度、クロスドメインベンチマークの実験では、DVLA-RLよりも平均1.4%向上した最先端の精度を示している。 プロジェクトページはhttps://peacelwh.github.io/TPAMI27-DVLA-RLpp/で公開されている。

関連論文リスト

• PointRL: Learning Point-Level Vision-Language Grounding from Verifiable Annotation Evidence [4.87376023514389]
  この研究は、ポイントレベルの接地を学習する検証可能な強化学習フレームワークであるPointRLを提示する。 PointRLは、バウンディングボックス、マスク、インスタンスラベルをポインティング命令に変換し、ターゲットサポート、インスタンスメンバシップ、セット制約を保持する。 提案した報酬は、解析可能性、ポイント妥当性、インスタンスカバレッジ、濃度一貫性、冗長または欠落予測を評価する。
  論文  参考訳（メタデータ） (2026-08-26T02:10:29Z)
• Re-Ranking Through an Attribution Lens for Citation Quality in Legal QA [2.255961793913651]
  クロスエンコーダは、連続的な摂動に基づく帰属スコアに基づいて、生成前に経路を再ランクするよう訓練した。 異なるモデルで独立に訓練された2つのリランカーは、生の帰属契約を超えて収束する。 その結果、摂動に基づく帰属は、引用認識検索のための実用的、モデルに依存しない訓練信号を提供することを示した。
  論文  参考訳（メタデータ） (2026-06-02T14:48:33Z)
• Self-Distilled RLVR [57.37526213765131]
  特権教師からのみ派生した学習信号が,情報漏洩と不安定な長期学習をもたらすことを示す。 textbfSelf-textbfDistillationを用いたtextbfRLSD(textbfRLVR)を提案する。 これにより、RSSDはRLVRとOPSDの両方の強度を同時に利用でき、高い収束天井と優れたトレーニング安定性を実現することができる。
  論文  参考訳（メタデータ） (2026-04-03T15:50:07Z)
• RefAlign: Representation Alignment for Reference-to-Video Generation [53.368296137314225]
  RefAlignは、DiT参照ブランチ機能を視覚基礎モデルのセマンティック空間に整列する表現アライメントフレームワークである。 OpenS2V-Evalベンチマークの実験では、RefAlignがTotalScoreの最先端メソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2026-03-26T17:59:57Z)
• DVLA-RL: Dual-Level Vision-Language Alignment with Reinforcement Learning Gating for Few-Shot Learning [53.36809572236361]
  少数のサンプルしか持たない新しいカテゴリーに一般化することを目的としている。 最近のアプローチでは、クラス名から派生したセマンティックな埋め込みで視覚表現を豊かにするために、大きな言語モデルが組み込まれている。 強化学習ゲーティング(DVLA-RL)を用いたデュアルレベル視覚言語アライメントを提案する。
  論文  参考訳（メタデータ） (2026-01-31T16:09:37Z)
• 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)
• COMPASS: Context-Modulated PID Attention Steering System for Hallucination Mitigation [2.1521364454860525]
  モデルベースのフィードバックループをデコードに直接埋め込む軽量で解釈可能な制御フレームワークを導入する。 本研究では,PIDコントローラが動的にアテンションヘッドを変調して,リトレーニングやマルチパス復号を行うことなく,現実の一貫性を維持することを示す。
  論文  参考訳（メタデータ） (2025-11-05T05:30:28Z)

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。