論文の概要: Teaching Vision-Language Models to Decline: Support Completion Against Mirage

• arxiv url: http://arxiv.org/abs/2610.16465v1
• Date: Mon, 12 Oct 2026 09:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:04:55.636517
• Title: Teaching Vision-Language Models to Decline: Support Completion Against Mirage
• Title（参考訳）: ビジョンランゲージモデルに衰退を教える:ミラージュに対する補完を支援する
• Abstract要約: ヴィジュアル言語モデルは、表示されなかった画像に関する疑問に答える。 クロスエントロピーは、画像を読み取るモデルと、それを無視するモデルとを分離します。 サポート完了を形式化したTIDEは、各トレーニング質問に対して、空白画像、同じドメインの誤り画像、ドメイン外画像を表示する。
• 参考スコア（独自算出の注目度）: 13.479403440765259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models answer questions about images they were never shown, a failure called mirage. Such an answer can be correct without being justified by the evidence, and the difference matters wherever a model's output is checked by someone who did not see its input. We locate the failure in the training objective: cross-entropy separates a model that reads the image from one that ignores it by only the conditional mutual information between answer and image, and no training example rewards declining. We formalise support completion, TIDE, which also shows each training question with a blank image, a same-domain wrong image and an out-of-domain image, with targets that decline, and prove that under TIDE every image-blind predictor is suboptimal by at least 1.04 nats per example, that the optimum declines exactly on the counterfactual kinds while keeping its behaviour on valid images, and that for any finite model the error of its answer-or-decline decision, declining on valid input plus answering on invalid input, is bounded below by how well its representation separates valid from invalid evidence. On Qwen2.5-VL-7B under a frozen held-out protocol with two judges, the three-condition predecessor of TIDE reduced the invalid-evidence mirage rate from 0.759 to 0.097 and the blank-image rate from 0.700 to 0.003 at a false-abstention cost of 0.126; label-free grounding raised the rate to 0.859, a likelihood-advantage contrast moved it only to 0.718 because its empty-image term carries no gradient, and grounding applied after support completion re-opened the mirage. The four-condition protocol on three base models, with seeds and component ablations, is in progress and not reported here.
• Abstract（参考訳）: ヴィジュアル言語モデルは、表示されなかった画像に関する疑問に答える。 このような答えは証拠によって正当化されることなく正し、その差は、その入力を知らない人によって、モデルの出力がチェックされた場合にも問題となる。 クロスエントロピーは、画像を読み取るモデルと、回答と画像の間の条件付き相互情報のみを無視するモデルとを分離し、トレーニング例の報酬は減少しない。 我々は、各トレーニング質問を空白画像、同じドメインの誤り画像、ドメイン外画像で表示し、その減少を目標とし、TIDEの下では、各画像レフド予測器が少なくとも1.04ナット以下に最適化されていることを証明し、その最適値は、有効画像上での動作を維持しながら、正実数で正確に減少し、また、任意の有限モデルにおいて、その応答またはデクライン決定の誤差が、有効入力+無効入力で減少し、その表現が妥当な証拠とどのように分離するかによって、下限を定めている。 Qwen2.5-VL-7B では、2人の審査員による凍結された議定書の下で、TIDE の3条件前任者は、無効証拠のミレージレートを 0.759 から 0.097 に減らし、空白画像レートを 0.700 から 0.003 に減らし、偽保持コスト 0.126 に減らした。 3つのベースモデル上の4条件プロトコルは、シードとコンポーネントの短縮によって進行中であり、ここでは報告されていない。

関連論文リスト

• Trinity: Self-Evolving Vision-Language Models with a Self-Verifier [54.51233137413308]
  自己進化型視覚言語モデル(VLM)は、教師なしの方法で推論能力を拡大するエージェントへの有望なルートである。 本稿では,VLMが3つの役割,問合せ,解答,検証の3つを演じるトリニティについて述べる。 Verifierは、画像のグラウンド化のために生成されたすべての質問をスクリーニングし、監督される前に正解する。
  論文  参考訳（メタデータ） (2026-10-03T12:17:29Z)
• Look Where It Counts: A Free, Label-Free Visual Evidence Signal for Fine-Grained Vision-Language Reasoning [0.0]
  我々は,モデルが出力に割り当てる対向的エビデンスギャップ,対数的対数的比を形式化する。 単一ビューでラベルなしの基準を用いて、バウンディングボックス、トレーニング、ラベルのない応答を持つ領域を見つける。 目標の4.4から5.1倍の精度でローカライズし、精度を70%から85%に引き上げる。
  論文  参考訳（メタデータ） (2026-09-21T08:09:18Z)
• Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
  Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。 ラベルを適用すれば依存性認定正当性(D-CC)が得られる 4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
  論文  参考訳（メタデータ） (2026-07-29T15:55:31Z)
• Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits [0.0]
  画像再構成のためのトラックレカジフリーホールドアウトプロトコルを定式化する。 我々は、5つの基準撮影、13のETH3Dレーザースキャンシーン、EuRoC飛行、30のIMC 2025シーンで評価した。
  論文  参考訳（メタデータ） (2026-07-25T17:00:11Z)
• Decodable Is Not Grounded: A Vision-Ablation Arbiter for VLM Spatial Reasoning [48.438568700670835]
  モデルから潜在的知識を読み出す標準的な方法は、視覚言語モデルがイメージに根ざしたものを体系的に上書きすることができる。 本研究では,空間的推論において,一直線因果制御によって露呈した探究と操舵の両方に誤差が見えないことを示す。
  論文  参考訳（メタデータ） (2026-06-30T07:33:18Z)
• Vision-language models for chest radiography do not always need the image [4.363746910191589]
  医用視覚言語モデルは、強い胸部X線撮影精度を報告し、これが画像を使用する証拠としてますます読まれている。 我々は,画像に介入し,関連領域を除外し,関連のない領域を除外し,別の患者の同一ラベルスキャンに切り替える因果監査を導入する。 9つのシステムで、画像アクセスのないテキストのみのモデルは、最高のマルチモーダルの5.7の精度ポイントに到達する。
  論文  参考訳（メタデータ） (2026-06-16T09:22:10Z)
• Un-Mix: Rethinking Image Mixtures for Unsupervised Visual Representation Learning [108.999497144296]
  近年の先進的な教師なし学習手法では,同じ画像から2つの「ビュー」を学習表現として比較するために,サイムズ様の枠組みを用いている。 この研究は、教師なし学習においてラベル空間上の距離の概念を巻き込み、正対と負対のソフトな類似度をモデルに認識させることを目的としている。 その概念的単純さにもかかわらず、この解 -- 教師なし画像混合(Un-Mix)により、変換された入力と対応する新しいラベル空間からより微妙でより堅牢で一般化された表現を学習できることを実証的に示す。
  論文  参考訳（メタデータ） (2020-03-11T17:59:04Z)
• Adaptive Offline Quintuplet Loss for Image-Text Matching [102.50814151323965]
  既存の画像テキストマッチングアプローチでは、オンラインのハードネガティブによるトリプルト損失を利用してモデルをトレーニングするのが一般的である。 トレーニングセット全体からオフラインで負をサンプリングして解を提案する。 我々は,MS-COCOとFlickr30Kデータセットを用いた3つの最先端画像テキストモデルに対するトレーニング手法の評価を行った。
  論文  参考訳（メタデータ） (2020-03-07T22:09:11Z)

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。