論文の概要: Visual Sanad: Auditing Vision-Language Models for False Acceptance of Qur'anic Citations
- arxiv url: http://arxiv.org/abs/2610.22009v1
- Date: Thu, 15 Oct 2026 14:49:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.135265
- Title: Visual Sanad: Auditing Vision-Language Models for False Acceptance of Qur'anic Citations
- Title（参考訳）: ヴィジュアル・サナード:クルアニック・サイテーションの偽受容のための視覚言語モデルの検討
- Abstract要約: 視覚言語モデルが誤ったQur'anの韻律属性を誤って受け入れているかどうかをテストするためのベンチマークであるVisual Sanadを紹介する。
ベンチマークには、100の英語のクルア語詩から作られた2,400の描画画像、詩あたり4つの事実状態、プレーンテキストから装飾的、権威的なレイアウトまで6つの視覚的条件が含まれている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language models (VLMs) are increasingly used to interpret religious, educational, and culturally sensitive visual content, yet their reliability on citation verification remains underexplored. We introduce Visual Sanad, a controlled benchmark for testing whether VLMs falsely accept incorrect Qur'anic verse attributions when the same quote-reference pair is rendered under different visual framings. The benchmark contains 2,400 rendered images built from 100 English Qur'an verses, four factual states per verse, and six visual conditions ranging from plain text to decorative and authority-framed layouts. All quote-reference pairs were source-checked and human-audited before rendering. Across 24 full model-prompt runs, we observe a sharp capability split. Proprietary API-served VLMs range from near-perfect citation verification to moderate false acceptance, whereas recent open-weight VLMs often show weak discrimination and default to VALID on most images. De-biased prompting can reduce false acceptance, but often by shifting the decision threshold toward INVALID rather than by producing strong citation discrimination. Visual Sanad therefore exposes a culturally grounded multimodal factuality failure: fluent VLMs may treat displayed religious citations as self-authenticating unless they have strong citation-verification ability.
- Abstract（参考訳）: 視覚言語モデル(VLM)は、宗教的、教育的、文化的に敏感な視覚コンテンツを解釈するためにますます使われてきているが、引用検証に対する信頼性は未定である。
我々は,同じ引用参照ペアが異なる視覚的フレーミングの下でレンダリングされた場合,VLMが誤って誤りのQur'anic verse属性を受け入れるかどうかをテストするための制御されたベンチマークであるVisual Sanadを紹介する。
ベンチマークには、100の英語のクルア語詩から作られた2,400の描画画像、詩あたり4つの事実状態、プレーンテキストから装飾的、権威的なレイアウトまで6つの視覚的条件が含まれている。
すべての引用参照ペアは、レンダリング前にソースチェックされ、人間監査された。
24回のフルモデルプロンプト実行では,シャープな機能分割が観察される。
プロプライエタリなAPI提供VLMは、ほぼ完全な引用検証から適度な偽の受け入れまで様々であるが、最近のオープンウェイトVLMは、ほとんどの画像においてVALIDに対して弱い差別とデフォルトを示すことが多い。
De-biased promptingは偽の受け入れを減らすことができるが、多くの場合、強い引用識別を生成するのではなく、決定しきい値をINVALIDにシフトする。
したがって、ヴィジュアル・サナドは文化的に根ざしたマルチモーダルな事実の失敗を露呈する: 流動的なVLMは、強力な引用検証能力を持っていなければ、展示された宗教的引用を自己認証として扱うことができる。
関連論文リスト
- DVLA-RL++: Dual-Level Vision-Language Alignment with Reinforcement Learning Gating for Few-Shot Learning [88.12652174429904]
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。
論文 参考訳（メタデータ） (2026-10-08T15:01:47Z) - Disentangling Visual and Factual Correctness in LVLMs' Visualization Literacy [27.323597665236644]
LVLM(Large Vision-Language Models)は、強力な可視化解釈を示す。
それらの反応が、視覚的証拠に対する真の推論を反映しているか、訓練中に学んだ事実的先行を反映しているのかは不明である。
本稿では,視覚的正当性を事実的正当性から分離する枠組みを提案する。
論文 参考訳（メタデータ） (2026-06-02T04:36:32Z) - VCap: Hypergeometric Rewards for Weak-to-Strong Visual Captioning [57.588999592609646]
本稿では,参照キャプション(証人)と視覚信号(代弁者)とをペアにする,証人-代弁者報酬であるVCapを提案する。
VCapは、キャプションの品質検証のための超幾何分布レベルの精度を持つ報酬信号を提供する。
実験では,VCapでトレーニングした8Bモデルは,複数の画像およびビデオキャプションベンチマーク上で,オープンソースおよびクローズドソースSOTAモデルより優れていた。
論文 参考訳（メタデータ） (2026-05-27T06:27:04Z) - CounterCount: A Diagnostic Framework for Counting Bias in Vision Language Models [44.585250047959924]
VLM(Vision-Language Models)はマルチモーダル推論において優れているが、その答えが視覚的証拠に根ざされているか、あるいは学習言語や世界の先駆者によって駆動されているかは定かではない。
本稿では,VLMにおけるデファクトカウントの診断フレームワークであるCounterCountを紹介する。
これらの失敗は、欠落または曖昧な視覚的証拠によるものではなく、無関係な視覚的トークンへの注意を過小評価するモデルによるものであることを示す。
論文 参考訳（メタデータ） (2026-05-18T04:00:05Z) - Unleashing Vision-Language Semantics for Deepfake Video Detection [78.7562836979696]
ディープフェイクビデオ検出(DFD)研究は、事前訓練されたビジョンランゲージモデル(VLM)が、異なるアイデンティティにわたるアーティファクトの検出において強力な一般化能力を示すことを示した。
VLAForgeは、深度検出におけるモデルの識別可能性を高めるために、そのようなクロスモーダルセマンティクスの可能性を解き放つ新しいDFDフレームワークである。
論文 参考訳（メタデータ） (2026-03-25T16:05:35Z) - CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
大規模言語モデル (LLM) は新たなリスクを導入している。
本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。
我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-26T19:17:39Z) - Once Correct, Still Wrong: Counterfactual Hallucination in Multilingual Vision-Language Models [17.521958873911846]
我々は17か国にまたがる画像から構築したマルチモーダル幻覚ベンチマークであるM2CQAを紹介する。
そこで本研究では, 真文の正解に係わる事実的受容度を計測するCFHR(CounterFactual Hallucination Rate)を提案する。
論文 参考訳（メタデータ） (2026-02-05T08:26:44Z) - Do Images Speak Louder than Words? Investigating the Effect of Textual Misinformation in VLMs [17.56537230934894]
Vision-Language Models (VLM)は、Visual-Question-Answering (VQA)ベンチマークで強力なマルチモーダル推論能力を示している。
これらのモデルが、誤解を招くテキストのプロンプトに対して脆弱であることを示し、しばしば矛盾するテキストを支持する明確な視覚的証拠をオーバーライドしている。
論文 参考訳（メタデータ） (2026-01-27T05:04:38Z) - What's Left Unsaid? Detecting and Correcting Misleading Omissions in Multimodal News Previews [31.373823254968315]
事実が正しいとしても、ソーシャルメディアのニュースプレビューは解釈のドリフトを引き起こす。
この秘密の害は明示的な誤報よりも検出が難しいが、未発見のままである。
我々は、プレビューベースとコンテキストベースの理解を分離し、シミュレートするマルチステージパイプラインを開発した。
論文 参考訳（メタデータ） (2026-01-09T06:29:19Z) - OVFact: Measuring and Improving Open-Vocabulary Factuality for Long Caption Models [65.8015696586307]
長字幕の字幕事実性を測定する新しい方法であるOV-Factを紹介する。
提案手法は,人間の判断との一致を改善し,同じ指標におけるキャプタネス(リコール)と事実精度の両方をキャプチャする。
従来のメトリクスとは異なり、参照不要なメソッド設計は、ファクトリティベースのデータフィルタリングに向けた新しいアプリケーションを可能にする。
論文 参考訳（メタデータ） (2025-07-25T13:38:06Z) - Verifiable by Design: Aligning Language Models to Quote from Pre-Training Data [48.409306245463]
事前学習データにおいて,信頼された情報源から動詞句を引用するモデルを構築した。
Quote-Tuningの中核は、信頼されたコーパスに対するテキストを効率的に検証する高速なメンバシップ推論機能である。
実験により、Quote-Tuningは、ベースモデルと比較して高品質なドキュメントからの動詞の引用を最大130%増加させることが示された。
論文 参考訳（メタデータ） (2024-04-05T02:27:09Z)
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。