論文の概要: DisasterRoute: Evidence-Guided Dual-System Routing for Visual Disaster Question Answering
- arxiv url: http://arxiv.org/abs/2610.29231v1
- Date: Wed, 21 Oct 2026 05:41:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.249504
- Title: DisasterRoute: Evidence-Guided Dual-System Routing for Visual Disaster Question Answering
- Title（参考訳）: ディザストルート:視覚的ディザストリー質問応答のためのエビデンスガイド型デュアルシステムルーティング
- Abstract要約: 災害S1は、災害領域に適応した視覚言語モデルである。
DisasterRouteは、予測信頼度と災害証拠を組み合わせた二重システムルーティングフレームワークで、初期回答を受け入れるか、災害推論モデルDermaVLを呼び出すかを判断してレビューする。
DisasterBenchの実験では、Derma-S1は低レイテンシで精度が向上し、DermaRouteは完全な推論よりもかなり低いレイテンシで選択的なレビューによって精度が向上している。
- 参考スコア（独自算出の注目度）: 16.094982849020827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual question answering from low-altitude UAV imagery must deliver timely and accurate judgments to support disaster response under limited edge computing resources. Routine questions may be answered through direct decisions, whereas more challenging questions may benefit from step-by-step reasoning. However, existing research primarily focuses on improving models' visual understanding and generative reasoning capabilities, with limited exploration of efficient direct decision-making and its adaptive coordination with generative reasoning. We develop Disaster-S1 based on a vision-language model adapted to the disaster domain. Trained for option discrimination, it outputs a probability distribution over answer options in a single multimodal forward pass for fast decision-making. We further propose DisasterRoute, a dual-system routing framework that combines prediction confidence with disaster evidence to decide whether to accept the initial answer or invoke the disaster reasoning model DisasterVL for review. By allocating inference computation on demand, the framework retains the efficiency of direct decision-making and improves overall question-answering accuracy through selective review. Experiments on DisasterBench show that Disaster-S1 achieves superior accuracy with low latency, while DisasterRoute further improves accuracy through selective review at substantially lower latency than full reasoning.
- Abstract（参考訳）: 低高度UAV画像からの視覚的質問応答は、限られたエッジコンピューティングリソース下での災害対応を支援するために、タイムリーで正確な判断を提供する必要がある。
日常的な質問は直接的な決定によって答えられるが、より困難な質問はステップバイステップの推論の恩恵を受ける。
しかし、既存の研究は主にモデルにおける視覚的理解と生成的推論能力の改善に焦点が当てられており、効率的な直接的意思決定の探索や、生成的推論との適応的な調整が限られている。
本研究では,災害領域に適応した視覚言語モデルに基づく災害S1を開発する。
選択肢判別のために訓練され、迅速な意思決定のために単一のマルチモーダルフォワードパスで回答オプションよりも確率分布を出力する。
さらに、予測信頼度と災害証拠を組み合わせて、初期回答を受け入れるか、災害推論モデル「災害VL」を呼び出すかを決定する二重システムルーティングフレームワーク「DermaRoute」を提案する。
要求に応じて推論計算を割り当てることで、直接意思決定の効率を保ち、選択的なレビューを通じて全体の質問応答精度を向上させる。
DisasterBenchの実験では、Derma-S1は低レイテンシで精度が向上し、DermaRouteは完全な推論よりもかなり低いレイテンシで選択的なレビューによって精度が向上している。
関連論文リスト
- ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
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。
論文 参考訳（メタデータ） (2026-10-13T13:38:02Z) - Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning [87.18590662029432]
本稿では,プロアクティブルーティングパラダイムであるPRPを提案する。このパラダイムは,ドラフトモデルとターゲットモデルの両方の能力を評価することで,早期意思決定を可能にする。
筆者らの試案であるレーティング学習 (DRL) は内部信頼度推定器を内蔵し, 共同レーティング学習 (JRL) は対象モデルが与えられたクエリをどの程度処理できるかを予測する。
これらの評価により、詳細なインスタンスレベルの textbfProactive Routing が可能になり、全体的なパフォーマンスを損なうことなく、推論を大幅に高速化できる。
論文 参考訳（メタデータ） (2026-06-29T12:30:24Z) - DisasterBench: A Multimodal Benchmark for UAV-Based Disaster Response in Complex Environments [18.846222887851713]
DisasterBenchは、複雑な環境でのUAVベースの災害対応のためのマルチステージマルチモーダル推論ベンチマークである。
DisasterVLは3段階のパイプラインで最適化された軽量なマルチモーダルモデルであり、ドメイン命令チューニング、チェーン・オブ・オブ・ソート方式のマルチモーダルアライメント、強化学習に基づくポリシー最適化を組み合わせたものである。
論文 参考訳（メタデータ） (2026-06-04T14:31:11Z) - Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Think First, Assign Next (ThiFAN-VQA): A Two-stage Chain-of-Thought Framework for Post-Disaster Damage Assessment [0.0]
災害時における視覚的質問応答(VQA)のための2段階推論に基づくフレームワークであるThiFAN-VQAを提案する。
カスタム情報検索システム、ドメイン固有のプロンプト、推論誘導型回答選択を統合することで、ThiFAN-VQAはゼロショットと教師付きメソッドのギャップを埋める。
FloodNetとRescueNet-VQAの実験は、洪水やハリケーンに影響を受けた地域のUAVベースのデータセットで、ThiFAN-VQAがより優れた精度、解釈可能性、適応性を実現することを実証している。
論文 参考訳（メタデータ） (2025-11-24T14:32:07Z) - Decision-focused Sensing and Forecasting for Adaptive and Rapid Flood Response: An Implicit Learning Approach [4.746115078755406]
タイムリーで信頼性の高い意思決定は、洪水の緊急対応に不可欠である。
従来の洪水管理システムは、リモートセンシングに基づく大規模な洪水深度予測モデルをキャリブレーションするために、in-situセンサーに依存していることが多い。
In-situ センサー配置のための位置を戦略的に選択する新しい決定中心のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T09:47:00Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Machine learning framework for end-to-end implementation of Incident
duration prediction [0.0]
本研究では,インシデントレポートの受信時に利用可能な情報に基づいて,インシデント時間を予測するための分析フレームワークとエンドツーエンド機械学習ソリューションを開発した。
その結果, 従来の研究手法と比較して, 事故発生期間の予測は有意に改善した。
論文 参考訳（メタデータ） (2023-04-23T00:55:19Z) - Decision-Oriented Learning with Differentiable Submodular Maximization
for Vehicle Routing Problem [23.211667169614227]
文脈観測(入力)をサブモジュール関数(出力)のパラメータにマッピングする関数の学習問題について検討する。
本稿では,タスク最適化を予測フェーズにおける微分可能な層として組み込んだフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-02T19:19:39Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。