論文の概要: UniJev: Separating Accuracy from Calibration in Trimodal System One Decision Models

• arxiv url: http://arxiv.org/abs/2610.25784v1
• Date: Mon, 19 Oct 2026 04:49:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:44:19.695638
• Title: UniJev: Separating Accuracy from Calibration in Trimodal System One Decision Models
• Title（参考訳）: UniJev: Trimodal System One Decision Modelの校正から精度を分離する
• Abstract要約: テキスト,画像,ビデオ間の共同教師付きトレーニングの下で,共有ヘッドで候補回答をスコアする3モーダルフレームワークであるUniJevを紹介する。 我々は,現在の予測を信頼してグループ化し,各予測の信頼度をそのビンの実証的精度に向けて最適化するCoraを紹介する。 2Bと9Bの両方では、コラは画像とビデオのキャリブレーション誤差(ECE)を下げ、精度を保ちながら補強段階を欠いた。
• 参考スコア（独自算出の注目度）: 45.61254447943325
• License:
• Abstract: System One models produce probabilistic judgments that software can consume directly, making reliable confidence as important as answer accuracy. Yet joint training across text, images, and video remains underexplored, and the contributions of supervised fine-tuning (SFT) and reinforcement learning for calibrated decisions (RLCD) are difficult to separate. We introduce UniJev, a trimodal framework that scores candidate answers with a shared head under joint supervised training across text, images, and video. Supervised decision models improve accuracy over their backbone readouts across all three modalities, while the existing RLCD algorithms change accuracy little and have inconsistent effects on visual calibration across recipes. These findings motivate a separate supervised objective for confidence calibration. We introduce Cora (Confidence--Outcome Reliability Alignment), which groups current predictions by confidence and optimizes each prediction's confidence toward the empirical accuracy of its bin. At both 2B and 9B, Cora lowers image and video expected calibration error (ECE) while preserving accuracy, without a reinforcement stage. We release our code at https://github.com/wjnwjnwj/UniJev.
• Abstract（参考訳）: System Oneモデルは、ソフトウェアが直接消費できる確率的判断を生成し、信頼性を答えの正確性と同じくらい重要にします。 しかし, テキスト, 画像, ビデオのジョイントトレーニングは未熟であり, 教師付き微調整 (SFT) と校正決定 (RLCD) のための強化学習 (RLCD) の貢献は分離が困難である。 テキスト,画像,ビデオ間の共同教師付きトレーニングの下で,共有ヘッドで候補回答をスコアする3モーダルフレームワークであるUniJevを紹介する。 修正された決定モデルは、すべての3つのモードにわたるバックボーンの読み出しよりも正確性を改善する一方、既存のRCCDアルゴリズムは精度をほとんど変更せず、レシピ間の視覚的キャリブレーションに矛盾する効果がある。 これらの知見は、信頼性校正のための別個の指導的目的を動機付けている。 本稿では,信頼による現在の予測をグループ化し,そのビンの実証的精度に対する各予測の信頼度を最適化するコラ(信頼-アウトカム信頼性調整)を紹介する。 2Bと9Bの両方で、コラは画像とビデオのキャリブレーション誤差(ECE)を下げ、精度を保ちながら補強段階を保たない。 コードについてはhttps://github.com/wjnwjnwj/UniJev.comで公開しています。

関連論文リスト

• Beyond Verbalized Confidence: Calibrating Reasoners with Differentiable Readouts [57.65087348754571]
  検証可能な報酬(RLVR)による強化学習は、モデルに正しい回答を与えるよう推論するモデルを訓練するが、その信頼性が校正されることは保証しない。 近年の手法では、RLVRループ内のキャリブレーションを、モデルが応答に付随して数値的信頼度を持たせることで訓練しているが、これらはすべてテキストとしてサンプリングすることで信頼性を得る。 我々は、サンプリングを決定論的読み出しに置き換えるためにCREDO(Confidence REaDOut)を提案する。
  論文  参考訳（メタデータ） (2026-09-28T10:47:41Z)
• Shared Experience, Separate Learning: Companion Confidence Calibration for LLMs [72.45153081761715]
  本研究では,能力向上とともに信頼度が学習されるエンファンコンカレント信頼度校正について検討する。 隠れ状態のロールアウトや検証者による正当性監視から軽量なコンパニオンを訓練する textbfCoCal を導入する。 Qwen3-8BとQwen3-14Bの実験は、タスク性能を犠牲にすることなく、CoCalが信頼性評価を改善することを示した。
  論文  参考訳（メタデータ） (2026-09-27T16:25:09Z)
• Balancing Classification and Calibration Performance in Decision-Making LLMs via Calibration Aware Reinforcement Learning [10.123352394689134]
  よく校正された信頼性により、下流のシステムは、いつモデルを信頼するか、いつフォールバックメカニズムを延期するかを決定できる。 RLVRはタスク性能を向上するが、極めて自信過剰なモデルを生成する。 本稿では,意思決定確率を直接調整するキャリブレーション対応強化学習の定式化を提案する。
  論文  参考訳（メタデータ） (2026-01-19T18:31:31Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)

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。