論文の概要: EKT-Router: Expert-Evidence Alignment for Embodied Vision-Language Models
- arxiv url: http://arxiv.org/abs/2610.33044v1
- Date: Fri, 16 Oct 2026 11:41:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 06:06:26.15243
- Title: EKT-Router: Expert-Evidence Alignment for Embodied Vision-Language Models
- Title（参考訳）: EKT-Router: 身体視覚言語モデルのためのエキスパートエビデンスアライメント
- Abstract要約: 身体的な視覚言語モデルは、進化する観察から質問に答えなければならない。
機能専門家、オプション知識、知覚ツールを共同で選択する有界フレームワークであるEKT-conditionedを紹介した。
EKT-の平均スコアは61.4で、比較されたシステムの中では最高であり、一般的なビジョンベンチマークでは平均74.7である。
- 参考スコア（独自算出の注目度）: 53.974579096388766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embodied vision-language models must answer questions from partial, evolving observations. Their success depends on both the reasoning capability selected and the evidence available to it. Expert routers adapt internal computation, while tool-augmented systems acquire external evidence; choosing these independently can leave a suitable expert without the evidence it needs. We introduce EKT-Router, a bounded framework that jointly selects a capability expert, optional knowledge, and perceptual tools. Outcome-derived signatures represent the overlapping strengths of General, Spatial Reasoning, and Spatiotemporal experts. A joint utility scores complete expert-evidence routes under a call budget. After acquisition, a packet verifier admits valid evidence with positive predicted expert-conditioned gain. The selected expert then answers once, reverting to the unchanged observation if all packets are rejected. Across 6 embodied QA benchmarks, EKT-Router achieves a mean score of 61.4, the highest among the compared systems, and averages 74.7 on 10 general vision-language benchmarks. With all external evidence disabled, question-conditioned expert selection alone improves over the best fixed expert by 1.75 points. Ablations show that learned routing is the dominant component and that knowledge and perception are complementary.
- Abstract（参考訳）: 身体的な視覚言語モデルは、部分的で進化した観察から質問に答えなければならない。
彼らの成功は、選択された推論能力とそれに対する証拠の両方に依存する。
専門家のルータは内部計算に適応し、ツール拡張されたシステムは外部の証拠を取得する。
EKT-Routerは,有能な専門家,オプションの知識,知覚ツールを共同で選択する,有界なフレームワークである。
アウトカム由来のシグネチャは、一般、空間推論、時空間の専門家の重なり合う強さを表す。
共同ユーティリティは、コール予算の下で、完全なエキスパート・エビデンス・ルートをスコアする。
取得後、パケット検証器は、正の予測専門家条件ゲインを持つ有効な証拠を承認する。
選択された専門家は一度回答し、全てのパケットが拒否された場合、変化のない観察に戻る。
EKT-Routerは6つのQAベンチマークを具現化し、平均スコアは61.4であり、一般的なビジョンベンチマークでは74.7である。
すべての外部証拠が無効になれば、質問条件付き専門家の選択だけで、最高の固定された専門家よりも1.75ポイント向上する。
アブレーションは、学習されたルーティングが支配的な要素であり、知識と知覚が相補的であることを示している。
関連論文リスト
- Agent-Guided Evidence Acquisition for Emotion-Cause Pair Extraction [12.877852185750845]
Emotion-Cause Pair extractのためのエージェント誘導型エビデンス取得について検討した。
我々は、デリゲート、クエリ選択、レスポンス統合が予測品質にどのように影響するかを検討する。
我々の分析は、アクセスが大きくなることが必ずしもより良い原因の特定に繋がるとは限らないことを示唆している。
論文 参考訳（メタデータ） (2026-10-10T12:59:03Z) - Backbone-Adaptive Evidence Routing for Robust Pairwise LLM Judging [8.453218830690744]
ペアワイズ言語モデル審査員は直接比較、推論、参照ベースの検証を通じて証拠を収集できる。
本稿では,候補対称性を保ちながらエビデンス機構を適応させるバックボーン適応エビデンスルーティング(BAER)を提案する。
4つのベンチマークと2つの8B判事バックボーンで、BAERは8つの条件で比較した手法の中で最も高いテスト精度を達成している。
論文 参考訳（メタデータ） (2026-09-25T03:26:52Z) - Share First, Route What Remains: A Unified Framework for Token-Adaptive MoE Computation [49.8459545291965]
Mixture-of-experts (MoE)モデルは、最近、一定数の完全なエキスパートをルーティングする以上の動きをしている。
我々は、この依存度を、わずかにリサイクルされたフィードフォワードの専門家をキーバリューチャネルに分解することで研究する。
トークン適応型MoE計算のための統一フレームワークであるUniF-MoEでインスタンス化する。
論文 参考訳（メタデータ） (2026-08-11T02:40:58Z) - EG-VQA: Benchmarking Verifiable Video Question Answering with Grounded Temporal Evidence [48.314554375516366]
本稿では,Evidence-Grounded Video Question Answering Benchmark (EG-VQA)を紹介する。
EG-VQAは2,067本の動画と11,838本のQAペアで構成されている。
強力なプロプライエタリモデルでさえ、予測を正確に下ろすのに苦労しています。
我々は,明示的な監督によって訓練されたエビデンス基底推論モデルEG-Reasonerを提案する。
論文 参考訳（メタデータ） (2026-06-23T16:49:28Z) - From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents [69.07911499189129]
エージェントのメタ認知判断(Knowing)を自発的実行(Acting)から切り離して認知行動アライメントを評価するフレームワークであるKAPROを紹介する。
実験の結果,自己認識能力はタスク成功と強く相関するが,内部能力設定では著しく低下することがわかった。
プロプライエタリで推論指向のモデルは、より信頼性の高い認知ゲーティングを示します。
論文 参考訳（メタデータ） (2026-06-09T17:17:08Z) - Bridging Expert Knowledge and Automated Feature Engineering via Self-Evolution [35.18494473127365]
本稿では,FEST (Feature Engineering with Self-evolving Trees) について述べる。
FESTは、厳密なセマンティックアライメントしきい値において、専門家が設計したブランド機能の60～80%のカバレッジを達成している。
自動機能エンジニアリングにおけるエキスパートアライメントの体系的評価を可能にするために,2,683ブランドで1M以上のアセットを備えた,最初のデータセットペアリング専門家設計機能であるBrandGuideをリリースした。
論文 参考訳（メタデータ） (2026-06-07T19:39:03Z) - Enhancing the QA Model through a Multi-domain Debiasing Framework [1.7802147489386633]
本研究では,SQuAD(Stanford Question Answering dataset) v1.1とAddSentとAddOneSentの対立データセットを用いたELECTRA小モデルの評価を行った。
我々は,知識蒸留,デバイアス技術,ドメイン拡張を取り入れたマルチドメインデバイアスフレームワークを開発した。
論文 参考訳（メタデータ） (2026-01-01T08:39:07Z) - Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。
LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
論文 参考訳（メタデータ） (2025-11-15T02:50:23Z) - RouteMark: A Fingerprint for Intellectual Property Attribution in Routing-based Model Merging [69.2230254959204]
我々は,統合されたMoEモデルにおけるIP保護のためのフレームワークであるRouteMarkを提案する。
我々の重要な洞察は、タスク固有の専門家は、探索入力の下で安定かつ独特なルーティング行動を示すことである。
属性と改ざん検出のために,類似性に基づくマッチングアルゴリズムを導入する。
論文 参考訳（メタデータ） (2025-08-03T14:51:58Z) - KG2QA: Knowledge Graph-enhanced Retrieval-augmented Generation for Communication Standards Question Answering [7.079181644378029]
KG2QAは、細調整された大言語モデル(LLM)とドメイン固有知識グラフ(KG)を統合する質問応答フレームワークである。
ITU-TレコメンデーションとQwen2.5-7B-インストラクトから,高品質な6,587対のQAデータセットを構築した。
我々のKG-RAGパイプラインでは、細調整されたLLMがまずKGから関連する知識を取得し、より正確で現実的な応答を可能にします。
論文 参考訳（メタデータ） (2025-06-08T08:07:22Z)
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。