論文の概要: ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing

• arxiv url: http://arxiv.org/abs/2610.18388v1
• Date: Tue, 13 Oct 2026 13:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 21:36:00.117998
• Title: ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing
• Title（参考訳）: ReDiS:リモートセンシングにおけるマルチモーダル推論のための推論診断自己進化
• Abstract要約: 我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。 多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 53.65780048695954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) have shown strong potential for remote sensing understanding, yet reliable reasoning remains challenging when tasks require fine-grained visual grounding and multi-step inference. Existing approaches typically rely on either costly pre-constructed reasoning trajectories or self-generated signals such as response consistency, which can reinforce shared errors and provide unreliable supervision. We introduce \textbf{Reasoning--Diagnosis Self-Evolution (ReDiS)}, a framework that separates reasoning exploration from candidate evaluation while allowing the two processes to evolve jointly. ReDiS instantiates two role-specific experts from a shared multimodal backbone: a \textbf{Reasoner} that explores diverse visual evidence--answer candidates and a \textbf{Diagnoser} that jointly evaluates the complete candidate set and provides credibility-aware feedback. As the Reasoner evolves, it exposes new candidate distributions and failure modes; the Diagnoser adapts to these changes and, in turn, reshapes the learning signal for subsequent exploration. To handle groups in which all sampled answers are incorrect and group-relative advantages vanish, we further introduce \textbf{Failure-Triggered Recovery (FTR)}, which provides minimal outcome-level correction without prescribing intermediate reasoning trajectories. Experiments on LHRS-Bench, MME-RS, and CHOICE show consistent improvements over Qwen3.5 backbones at 0.8B, 2B, and 4B scales. ReDiS improves category-averaged accuracy by 6.47 percentage points at 0.8B, while ReDiS-4B achieves the highest average performance among the compared remote sensing MLLMs.
• Abstract（参考訳）: マルチモーダル大規模言語モデル(MLLM)は、リモートセンシングの理解に強い可能性を示しているが、タスクがきめ細かな視覚的接地とマルチステップ推論を必要とする場合、信頼性の高い推論は依然として困難である。 既存のアプローチは一般的に、コストのかかる事前構築された推論軌跡か、応答整合性のような自己生成信号に依存しており、これは共有エラーを補強し、信頼性の低い監視を提供する。 ReDiS(RediS)は、推論探索と候補評価を分離し、2つのプロセスが共同で進化することを可能にするフレームワークである。 多様な視覚的証拠を探索する \textbf{Reasoner} と、完全な候補セットを共同で評価し、信頼性に配慮したフィードバックを提供する \textbf{Diagnoser} である。 Reasoner が進化するにつれて、新しい候補分布と障害モードが公開され、Diagnoser はこれらの変化に適応し、その後の探索のために学習信号を再確認する。 さらに,すべてのサンプル回答が誤りでグループ相対的優位性が消えるグループを扱うために,中間的推論軌道を規定することなく,最小限の結果レベルの補正を提供する「textbf{Failure-Triggered Recovery (FTR)」を導入する。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。 ReDiSは平均精度を0.8Bで6.47ポイント向上し、ReDiS-4Bは比較したリモートセンシングMLLMの中で最高平均性能を達成した。

関連論文リスト

• Silence and Noise: Resolving Suppression and Overvaluation in Multimodal Entity Alignment [18.621015338747508]
  マルチモーダルエンティティアライメント(MMEA)は、ヘテロジニアス知識グラフ(KG)の統合の基礎である 既存のパラダイムは、不完全なモダリティやクロスグラフ構造的非対称性に批判的に弱いままである。 ALMEAは、低レベル特徴再構成と高レベル遅延空間アライメントの双方向フィードバックループを確立する、生成・校正フレームワークである。
  論文  参考訳（メタデータ） (2026-10-12T03:14:36Z)
• Reliability Challenges in Diffusion Vision-Language Models [2.6281187565150526]
  拡散に基づくLarge Vision-Language Models (dLVLMs) は自己回帰(AR) LVLMの強力な代替品として登場した。 本報告では,dLVLMにおける幻覚と偏見の信頼性評価について述べる。
  論文  参考訳（メタデータ） (2026-09-01T14:38:50Z)
• ExTra: Exploratory Trajectory Optimization for Language Model Reinforcement Learning [75.26064451955199]
  ExTraは、モデル自身のロールアウトから探索信号を抽出するフレームワークである。 GRPO上でQwen3-1.7Bをpass@1で約5ポイント、pass@16で+7ポイント改善する。
  論文  参考訳（メタデータ） (2026-06-23T15:51:39Z)
• Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
  本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。 提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。 本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-03T15:32:09Z)
• Ground What You See: Hallucination-Resistant MLLMs via Caption Feedback, Diversity-Aware Sampling, and Conflict Regularization [38.469173375694076]
  マルチモーダル大言語モデル(MLLM)における幻覚の根本原因を系統的に解析する。 1)不正確な初期記述が後続の推論を誤った前提に固定する連鎖的視覚推論の過度な信頼、(2)政策最適化中の探索の多様性が不十分で、過度に自信があるが誤ったアウトプットを発生させる要因、(3)トレーニングサンプル間の破壊的な衝突、NTKの類似性が誤関連や不安定なパラメータ更新を引き起こす要因である。 実験の結果,提案手法は幻覚率を著しく低減し,MLLMの推論精度を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2026-01-09T07:59:18Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Enhancing the Outcome Reward-based RL Training of MLLMs with Self-Consistency Sampling [90.87033586963828]
  マルチモーダル大言語モデル(MLLM)のステップ・バイ・ステップ推論を洗練させる手段としては,アウトカム・リワード強化学習(RL)が一般的であり,ますます重要になっている。 この問題を修正するために,自己整合サンプリング(SCS)を提案する。 Qwen2.5-VL-7B-インストラクトに基づいて、SCSは、無視できる余分な計算を伴う6つのマルチモーダルベンチマークにおいて、最大7.7ポイントの精度を向上する。
  論文  参考訳（メタデータ） (2025-11-13T18:59:57Z)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)

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。