論文の概要: Diagnosing and Mitigating Evidence Misgrounding in Multimodal Knowledge Editing

• arxiv url: http://arxiv.org/abs/2610.33075v1
• Date: Wed, 21 Oct 2026 07:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.239945
• Title: Diagnosing and Mitigating Evidence Misgrounding in Multimodal Knowledge Editing
• Title（参考訳）: マルチモーダル知識編集におけるミスグラウンドの診断と修正
• Abstract要約: VICEは検索ベースのフレームワークで、編集を外部メモリに格納し、ビジュアルなインコンテキストのデモを通じて適用する。 一方、WaterBird-Editの結果は、制御された背景シフトに対する感度を大幅に低下させることを示している。
• 参考スコア（独自算出の注目度）: 48.345882867898126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal knowledge editing aims to update visually grounded facts in Multimodal Large Language Models (MLLMs) while preserving unrelated text and visual behaviors. However, standard answer-level metrics can hide evidence misgrounding: an edit may produce the target answer on the original image yet remain sensitive to incidental context rather than the intended visual evidence. To examine this issue in a controlled setting, we construct WaterBird-Edit, an analysis set that decouples bird habitat labels from background context and measures whether edited predictions remain stable when the target evidence is preserved but the background changes. Motivated by this diagnosis, we propose VICE (Visual In-Context Editing), a retrieval-based framework that stores edits in external memory and applies them through visual in-context demonstrations designed to expose task-relevant evidence. Experiments on three standard benchmarks show that VICE achieves strong lifelong editing performance, while results on WaterBird-Edit show that it substantially reduces sensitivity to the controlled background shifts. Code and dataset are available in https://github.com/Wang-Z-W/VICE-main.
• Abstract（参考訳）: マルチモーダル知識編集は,多モーダル大言語モデル (MLLM) における視覚的根拠のある事実を更新し,無関係なテキストや視覚行動を保存することを目的としている。 しかし、標準的な回答レベルのメトリクスは、証拠を隠蔽する可能性がある: 編集は元の画像のターゲットの回答を生成するが、意図された視覚的証拠よりもインシデント的な文脈に敏感である。 制御された環境下でこの問題を検証するために,背景環境から鳥の生息地ラベルを分離する分析セット「WaterBird-Edit」を構築し,対象のエビデンスを保存しても背景が変化しても,編集された予測が安定しているかどうかを測定した。 この診断に触発されたVICE(Visual In-Context Editing)は、外部メモリに編集を格納し、タスク関連エビデンスを公開するために設計された視覚的インコンテクストデモを通じてそれらを適用する検索ベースのフレームワークである。 3つの標準ベンチマークの実験では、VICEは強力な生涯編集性能を示し、WaterBird-Editの結果は、制御された背景シフトに対する感度を大幅に低下させることを示した。 コードとデータセットはhttps://github.com/Wang-Z-W/VICE-mainで入手できる。

関連論文リスト

• What Semantics Survive the Connector? Diagnosing VLM-to-DiT Alignment in Video Editing [59.40855219373921]
  フローマッチングに基づくビデオ生成モデルは、複雑な命令ベースのビデオ編集を扱うために、事前のビジョンランゲージモデルに依存している。 一般的な仮定は、コネクタモジュールがVLMのリッチなマルチモーダル推論を、元のテキスト埋め込み空間であるDiTとシームレスに一致させることができるということである。 本稿では,関係に基づく編集に焦点を当てた診断データセットであるTRACE-Editをビデオ合成に基づく制御データ処理パイプラインとして提案する。
  論文  参考訳（メタデータ） (2026-05-20T06:42:15Z)
• Is a Picture Worth a Thousand Words? Adaptive Multimodal Fact-Checking with Visual Evidence Necessity [7.793738133162104]
  AMuFCは、視覚的エビデンスを適応的に利用するために2つの協調エージェントを使用するマルチモーダルなファクトチェックフレームワークである。 解析器の視覚的エビデンス評価を検証器の予測に組み込むことで,検証性能が大幅に向上することを示す。 すべてのコードに加えて、より現実的なシナリオでファクトチェックモジュールを評価するために新たに構築されたデータセットであるWebFCもリリースします。
  論文  参考訳（メタデータ） (2026-04-06T14:01:38Z)
• ChartEditBench: Evaluating Grounded Multi-Turn Chart Editing in Multimodal Language Models [4.257440824082894]
  ChartEditBenchは、コードによるインクリメンタルで視覚的なグラフ編集のためのベンチマークです。 以前のワンショットベンチマークとは異なり、ChartEditBenchは持続的でコンテキスト対応の編集を評価する。 最先端のMLLMを用いた実験では、エラーの蓄積と共有コンテキストの分解により、マルチターン設定が大幅に劣化することが示された。
  論文  参考訳（メタデータ） (2026-02-17T17:45:34Z)
• EdiVal-Agent: An Object-Centric Framework for Automated, Fine-Grained Evaluation of Multi-Turn Editing [170.71134330650796]
  EdiVal-Agentは、命令ベースの画像編集のためのオブジェクト指向評価フレームワークである。 標準のシングルターンだけでなく、マルチターンの命令ベースの編集を精度良く評価するように設計されている。 EdiVal-Benchは、インコンテキスト、フローマッチング、拡散パラダイムにまたがる9つの命令タイプと13の最先端編集モデルをカバーするベンチマークである。
  論文  参考訳（メタデータ） (2025-09-16T17:45:39Z)
• Hallucination at a Glance: Controlled Visual Edits and Fine-Grained Multimodal Learning [27.33722610773045]
  マルチモーダル大規模言語モデル (MLLM) は視覚言語タスクにおいて高い性能を達成しているが、細かな視覚的差異に苦慮している。 本稿では,最小限に編集された画像対を意味的に一致した字幕で生成する制御データ生成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-08T17:23:36Z)
• Attribution Analysis Meets Model Editing: Advancing Knowledge Correction in Vision Language Models with VisEdit [18.71195974474024]
  我々は、トークン予測のための視覚表現の寄与を測定するために、コントリビューションアロケーションとノイズ摂動法を用いる。 帰属分析により,このプロンプトに非常に関係のある中後期層における視覚的表現が予測に大きく寄与していることが示唆された。 そこで我々はVisEditを提案する。VisEditはVis-LLMsの新しいモデルエディタで、編集プロンプトに重要な領域の中間的な視覚表現を編集することで知識を効果的に修正する。
  論文  参考訳（メタデータ） (2024-08-19T11:44:40Z)
• VLKEB: A Large Vision-Language Model Knowledge Editing Benchmark [53.091690659399234]
  大規模言語モデル(LLM)の知識編集は注目されている。 3つのメトリクス(信頼性、局所性、一般性)からなる既存のLVLM編集ベンチマークは、合成された評価画像の品質が不足している。 我々は、新しいLarge $textbfV$ision-$textbfL$anguage Modelを構築するために、より信頼性の高いデータ収集手法を使用します。
  論文  参考訳（メタデータ） (2024-03-12T06:16:33Z)
• The Butterfly Effect of Model Editing: Few Edits Can Trigger Large Language Models Collapse [58.0132400208411]
  単一の編集でさえモデル崩壊を引き起こし、様々なベンチマークタスクで大幅なパフォーマンス低下を示す。 編集後の大規模言語モデルのベンチマークは、過激な時間とリソース集約である。 我々は、GPT-3.5を用いて、ハードケースに基づいた新しいデータセット、HardEditを開発した。
  論文  参考訳（メタデータ） (2024-02-15T01:50:38Z)

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。