論文の概要: MVGraph: Benchmarking LVLMs on Evidence Composition across Multi-View Visual Graph
- arxiv url: http://arxiv.org/abs/2610.12961v1
- Date: Fri, 09 Oct 2026 03:59:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.382191
- Title: MVGraph: Benchmarking LVLMs on Evidence Composition across Multi-View Visual Graph
- Title（参考訳）: MVGraph:マルチビュービジュアルグラフにおけるエビデンス構成に関するLVLMのベンチマーク
- Abstract要約: MVGraphは、大規模視覚モデル(LVLM)をマルチグラフ推論で評価するためのベンチマークである。
MVGraphは8つのテキスト理論タスクにまたがる8kインスタンスで構成される。
- 参考スコア（独自算出の注目度）: 31.206487089074514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce MVGraph, a benchmark for evaluating large vision-language models (LVLMs) on multi-graph reasoning where the evidence required by a query is distributed across multiple interrelated visual graph views. Although such evidence commonly resides in source-specific graphs, temporal snapshots, or local observations, existing graph reasoning benchmarks remain confined to a single self-contained structure, assessing only graph perception and reasoning while leaving the alignment and composition of evidence across views underexplored. MVGraph comprises 8k instances spanning 8 \textit{graph-theoretic} tasks, abstracted from two multi-graph scenarios (partial and temporal graph views). Each problem is programmatically constructed and verified to be unsolvable from a single view. Beyond end-to-end evaluation, we decompose multi-graph reasoning into four complementary capabilities---Perception, Alignment, Composition, and Reasoning---and design 29 diagnostic tasks with 64k instances to probe each one, along with golden intermediate representations for evaluating the intermediate process. Across 15 LVLMs, we reveal the difficulty of multi-graph reasoning and identify cross-view edge alignment and relation-level composition as prominent bottlenecks through stage-oriented diagnostics. Meanwhile, temporal constraints and increasing view counts expose further capability boundaries. Code and data are available at https://github.com/AAAndy-Zhu/MVGraph.
- Abstract（参考訳）: マルチグラフ推論における大規模視覚言語モデル(LVLM)を評価するためのベンチマークであるMVGraphを紹介し,クエリが要求するエビデンスを複数の相互関連ビジュアルグラフビューに分散させる。
このようなエビデンスは通常、ソース固有のグラフ、時間的スナップショット、あるいは局所的な観測に存在しているが、既存のグラフ推論ベンチマークは、探索されていないビューをまたいだ証拠のアライメントと構成を残しながら、グラフの認識と推論のみを評価する単一の自己完結構造に限られている。
MVGraphは8つの \textit{graph-theoretic}タスクにまたがる8kインスタンスで構成されており、2つのマルチグラフシナリオ(部分グラフと時間グラフビュー)から抽象化されている。
各問題はプログラムで構築され、単一の視点で解決不可能であることが検証される。
エンド・ツー・エンドの評価以外にも、マルチグラフ推論を4つの補完機能 - 知覚、アライメント、合成、推論に分解し、29の診断タスクと64kのインスタンスでそれぞれを探索し、中間プロセスを評価する黄金の中間表現を設計する。
15個のLVLMにおいて,多面グラフ推論の難しさを明らかにし,ステージ指向診断によるエッジアライメントと関係レベル組成を顕著なボトルネックとして同定する。
一方、時間的制約とビュー数の増加は、さらなる機能境界を公開する。
コードとデータはhttps://github.com/AAAndy-Zhu/MVGraph.comで公開されている。
関連論文リスト
- HVM-GraphRAG: Holistic-View Multimodal Graph Retrieval-Augmented Generation on Complex Document [36.46869470798395]
マルチモーダルグラフRAGは、ドキュメントエビデンスをグラフ構造で整理することで、有望な方向を提供する。
HVM-GraphRAGは、グラフ構築をガイドするために全体的なビューを使用し、ノイズと競合するグラフ更新を減らす。
3つのデータセットの実験から、HVM-GraphRAGは、ほとんどの評価済み設定において、最高の回答性能を達成することが示された。
論文 参考訳（メタデータ） (2026-07-26T12:47:25Z) - RefChartQA: Grounding Visual Answer on Chart Images through Instruction Tuning [63.599057862999]
RefChartQAは、Chart Question Answering(ChartQA)とビジュアルグラウンドを統合した、新しいベンチマークである。
実験により,グラウンド化による空間認識を取り入れることで,応答精度が15%以上向上することが実証された。
論文 参考訳（メタデータ） (2025-03-29T15:50:08Z) - Graph-to-Vision: Multi-graph Understanding and Reasoning using Vision-Language Models [10.813015912529936]
VLM(Vision-Language Models)のマルチグラフ推論能力の評価と向上を目的とした,初の総合ベンチマークを導入する。
本ベンチマークでは,4つの共通グラフ型(知識グラフ,フローチャート,マインドマップ,ルートマップ)を網羅し,同種グラフ群と異種グラフ群をサポートする。
グラフ解析,推論整合性,命令追従精度を評価する多次元スコアリングフレームワークを用いて,最先端のVLMを評価した。
論文 参考訳（メタデータ） (2025-03-27T12:20:37Z) - VisGraphVar: A Benchmark Generator for Assessing Variability in Graph Analysis Using Large Vision-Language Models [1.597617022056624]
LVLM(Large Vision-Language Models)は、抽象的な視覚タスクに取り組む能力がますます高まっている。
VisGraphVarは7つのタスクカテゴリのグラフ画像を生成することができる、カスタマイズ可能なベンチマークジェネレータである。
画像の視覚特性の変化(例えばノードのラベル付けやレイアウト)と視覚的不完全さの意図的な含意がモデルの性能に大きく影響することを示す。
論文 参考訳（メタデータ） (2024-11-22T10:10:53Z) - Tensor-based Graph Learning with Consistency and Specificity for Multi-view Clustering [20.925436328405574]
一貫性と特異性を同時に検討する新しい多視点グラフ学習フレームワークを提案する。
我々は、ノイズフリーグラフ融合のための新しいテンソルベースのターゲットグラフ学習パラダイムを定式化する。
6つのデータセットの実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2024-03-27T09:30:50Z) - Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。
本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文 参考訳（メタデータ） (2023-10-25T10:10:07Z) - Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。
この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。
推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
論文 参考訳（メタデータ） (2022-10-13T13:19:51Z) - Interactive Visual Pattern Search on Graph Data via Graph Representation
Learning [20.795511688640296]
視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。
高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。
また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
論文 参考訳（メタデータ） (2022-02-18T22:30:28Z) - Learning Multi-Granular Hypergraphs for Video-Based Person
Re-Identification [110.52328716130022]
ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。
MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。
MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
論文 参考訳（メタデータ） (2021-04-30T11:20:02Z) - Multi-view Graph Learning by Joint Modeling of Consistency and
Inconsistency [65.76554214664101]
グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。
本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。
12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
論文 参考訳（メタデータ） (2020-08-24T06:11:29Z)
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。