論文の概要: ReCoG: Relational Concept Graph for Training-Free Personalization

• arxiv url: http://arxiv.org/abs/2610.31282v1
• Date: Thu, 22 Oct 2026 13:48:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.392245
• Title: ReCoG: Relational Concept Graph for Training-Free Personalization
• Title（参考訳）: ReCoG:学習自由パーソナライズのためのリレーショナルコンセプトグラフ
• Abstract要約: 学習自由なパーソナライゼーションは、概念エントリを取得することで、ユーザ定義概念に凍結視覚言語モデル(VLM)を適用する。 パーソナライゼーションは、概念集合間の特定の区別に基づいて本質的に正しい認識である、と我々は主張する。 FINGERベンチマークを導入し、不確定な概念集合上でパーソナライズされた認識をテストする。
• 参考スコア（独自算出の注目度）: 11.688030627514534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training-free personalization adapts a frozen vision-language model (VLM) to recognize user-defined concepts from only a few exemplars by retrieving concept entries at inference time. While recent retriever-based methods enrich each concept with descriptive evidence, they largely treat concepts in isolation, so the retrieved information can be plausible yet non-discriminative, especially when the personalized concept set contains highly confusable, fine-grained categories. We argue that personalization is inherently relational: correct recognition depends on the specific distinctions between a concept and its nearest alternatives. To this end, we propose ReCoG, a Relational Concept Graph for retrieval-augmented personalization. ReCoG represents concepts as nodes and augments them with directed edges that explicitly capture discriminative cues between concept pairs, elicited by a frozen VLM during database construction. At inference, ReCoG retrieves a shortlist and resolves ambiguity via explicit pairwise comparisons conditioned on the corresponding relational edges, selecting the concept that consistently wins against competing candidates. We also introduce FINGER benchmark to test personalized recognition on confusable concept sets. Across FINGER, ReCoG substantially outperforms prior methods, with the largest gains in the most confusable regimes. ReCoG also achieves consistently best performance on established personalization benchmarks including captioning and VQA, confirming that relational evidence is broadly beneficial beyond fine-grained settings. Project Page: https://csy-98.github.io/ReCoG/
• Abstract（参考訳）: 学習自由パーソナライゼーションは凍結視覚言語モデル(VLM)に適応し、推論時に概念エントリを取得することで、少数の例からユーザ定義概念を認識する。 最近のレトリバーベースの手法は各概念を記述的証拠で豊かにしているが、それらは主に独立して概念を扱い、特にパーソナライズされた概念セットが非常に難解できめ細かなカテゴリを含む場合、検索された情報は識別不可能である。 我々はパーソナライゼーションは本質的にリレーショナルであり、正しい認識は概念と最も近い選択肢の特定の区別に依存します。 この目的のために,検索強化パーソナライズのための関係概念グラフReCoGを提案する。 ReCoGは概念をノードとして表現し、データベース構築中に凍結されたVLMによって引き起こされる概念ペア間の差別的手がかりを明示的にキャプチャする有向エッジでそれらを拡張する。 推論において、ReCoGはショートリストを取得し、対応するリレーショナルエッジに条件付けられた明示的なペアワイド比較を通じて曖昧さを解決し、競合する候補に対して一貫して勝利する概念を選択する。 また、FINGERベンチマークを導入し、不確実な概念集合上でパーソナライズされた認識をテストする。 FINGER全体では、ReCoGは従来の手法よりも大幅に優れており、最も不利な体制の中で最大の利益を得ている。 ReCoGはまた、キャプションやVQAを含む確立したパーソナライズベンチマークにおいて一貫して最高のパフォーマンスを達成しており、関係性証拠がきめ細かい設定以上の大きなメリットがあることを確認している。 Project Page: https://csy-98.github.io/ReCoG/

関連論文リスト

• Gate-and-Merge: Zero-shot Compositional Personalization of Vision Language Models [60.25065199948178]
  共起学習を必要とせずに作曲のパーソナライズを可能にするフレームワークであるGate-and-Mergeを紹介する。 パーソナライゼーションの間、各概念は、概念トークンと組み合わせた軽量のLoRAアダプタとして独立に学習される。 推定では,概念固有のLoRA更新を重み空間に直接マージすることで構成を可能にする。
  論文  参考訳（メタデータ） (2026-05-09T05:32:28Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• Concept-Aware Batch Sampling Improves Language-Image Pretraining [78.53540190580189]
  Concept-Aware Batch Smpling (CABS)は、バッチをオンザフライで柔軟に構築する、シンプルで効果的なバッチサンプリングフレームワークである。 CABSはCLIP/SigLIPモデルクラスに有益であり,高性能なモデルが得られることを示す。 全体として、CABSはプロプライエタリなオンラインデータキュレーションアルゴリズムに代わる強力なオープンソースである。
  論文  参考訳（メタデータ） (2025-11-25T18:58:07Z)
• ReGraP-LLaVA: Reasoning enabled Graph-based Personalized Large Language and Vision Assistant [16.253265097323432]
  我々は120種類のパーソナライズされた知識からなるReGraPという新しいデータセットを提案する。 本稿では、対応するKGとCoT QAペアでトレーニングされたMLLMであるReGraP-LLaVAを提案する。 結果から,提案モデルはパーソナライズされた知識を学習するだけでなく,応答における関係推論も行うことがわかった。
  論文  参考訳（メタデータ） (2025-05-06T16:00:13Z)
• Training-Free Personalization via Retrieval and Reasoning on Fingerprints [37.54948724318688]
  視覚言語モデル(VLM)はマルチモーダル推論に大きな改善をもたらしたが、ユーザ固有の概念を理解するのに苦戦している。 本稿では, VLMの内部知識を活用して, パーソナライズのための検索と推論(R2P)を提案する。 R2Pは、様々な下流タスクにおける最先端のアプローチを一貫して上回る。
  論文  参考訳（メタデータ） (2025-03-24T12:36:24Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• ClassDiffusion: More Aligned Personalization Tuning with Explicit Class Guidance [90.57708419344007]
  新しい概念を学ぶ際に, 概念空間を明示的に規制するために, ** 連続保存損失** を利用するテクニックである **ClassDiffusion** を提示する。 このアプローチは単純ではあるが、ターゲット概念の微調整過程における意味的ドリフトを効果的に防止する。
  論文  参考訳（メタデータ） (2024-05-27T17:50:10Z)
• Entity Concept-enhanced Few-shot Relation Extraction [35.10974511223129]
  長尾分布問題において,FSRE (Few-shot relation extract) が重要である。 ほとんどの既存のFSREアルゴリズムは、認識されたエンティティペアと共に文の情報に基づいて関係を正確に分類することができない。 本稿では,エンティティ固有の概念を導入し,関係予測の手がかりを提供する,エンティティ強化型FEw-shot Relation extract scheme(ConceptFERE)を提案する。
  論文  参考訳（メタデータ） (2021-06-04T10:36:49Z)

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。