論文の概要: VTC-AUDIT: An Interventional Reliability Audit for Visual-Token Compression under Paired Image Shifts
- arxiv url: http://arxiv.org/abs/2610.34545v1
- Date: Sun, 25 Oct 2026 20:15:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.633472
- Title: VTC-AUDIT: An Interventional Reliability Audit for Visual-Token Compression under Paired Image Shifts
- Title（参考訳）: VTC-AUDIT: ペア画像シフトによる視覚的圧縮に対するインターベンショナル・信頼性監査
- Abstract要約: VTC-AUDITを導入し、両画像で完全モデルが正しいペアと、クリーン画像で圧縮モデルが正しいペアに対してのみ漸進的リスクを推定する。
3つのオープンな8-9B視覚言語モデルを4つのタスクと8つの事前指定シフトで評価する。
トレーニング不要なDivPruneとPrune-and-merge ApETの2つの圧縮機を25%の維持配置予算で評価した。
DivPrune の3.04-9.60 %、ApET の2.05-4.20 %、0 の95% 以上である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual-token compression is usually evaluated by clean accuracy and efficiency, but these averages do not reveal failures that compression introduces under an image shift where the uncompressed model stays correct. We introduce VTC-AUDIT, which estimates this incremental risk only on pairs where the full model is correct on both images and the compressed model is correct on the clean image. The four arms then cross two binary choices: which image selects the retained token positions, and which image supplies the visual features. We audit three open 8-9B vision-language models on four tasks and eight pre-specified shifts. We evaluate two training-free compressors---hard-pruning DivPrune and prune-and-merge ApET---at a matched 25% retained-position budget, producing 708,000 inference records. Reselecting positions on the shifted image, rather than reusing the clean-image positions, raises the failure rate in all six model-compressor settings. The increase is 3.04-9.60 percentage points for DivPrune and 2.05-4.20 percentage points for ApET, with every 95% interval above zero. Repeating the audit on a separately resampled second manifest reproduces all six increases. In a pooled monitor audit across the four benchmarks, support Jaccard instability fails the practical AUROC criterion of 0.65 in all six settings, whereas clean compressed-model uncertainty clears it. Thus, support turnover is a weak ranking signal under the audited benchmark mixture, while clean compressed-model uncertainty is substantially more informative. These results suggest that future visual-token compression evaluations should report conditional reliability alongside clean accuracy and efficiency.
- Abstract（参考訳）: 視覚的トーケン圧縮は通常、清潔な精度と効率で評価されるが、これらの平均値では、圧縮が非圧縮モデルが正しいままの画像シフトで導入される失敗は示さない。
VTC-AUDITを導入し,両画像で完全モデルが正しいペアとクリーン画像で圧縮モデルが正しいペアに対してのみ,この漸進的リスクを推定する。
4つのアームは2つの選択を交わす: どの画像が保持されたトークンの位置を選択し、どの画像が視覚的特徴を提供するか。
3つのオープンな8-9B視覚言語モデルを4つのタスクと8つの事前指定シフトで評価する。
トレーニング不要なDivPrune と prune-and-merge ApET の2つの圧縮機の評価を行った。
シフト画像上の位置の選択は、クリーンイメージの位置を再利用するのではなく、6つのモデル圧縮機設定で失敗率を高める。
DivPrune の3.04-9.60 %、ApET の2.05-4.20 %、0 の95% 以上である。
別々に再サンプリングされた第2のマニフェストの監査を繰り返すと、すべての6つの増加が再現される。
4つのベンチマークにわたるプール化されたモニター監査では、Jaccardの不安定性のサポートは6つの設定で0.65の実用的なAUROC基準に反する。
このように、支持ターンオーバーは、監査されたベンチマーク混合条件下での弱いランキング信号であり、クリーンな圧縮モデル不確実性は、かなり有益である。
これらの結果から, 将来の視覚情報圧縮評価では, クリーンな精度と効率性とともに, 条件付き信頼性を報告すべきであることが示唆された。
関連論文リスト
- Feature-Aware Token Attack for Compression-Triggered Stealthy Failures in Large Vision-Language Models [20.428011554832093]
FATA(Feature-Aware Token Attack)は、注意抑制とコサインに基づく特徴保存を関連づける。
FATAの精度は96.3%、CBRは22.1%で、CAAは89.8%、CAAは15.7%である。
論文 参考訳（メタデータ） (2026-09-30T07:04:15Z) - Data Diversity, Not Frequency Invariance: A Controlled and Self-Audited Study of Compression-Robust Deepfake Detection [0.26856688022781555]
周波数特徴と圧縮不変表現学習は、ビデオ圧縮に耐えるディープフェイク検出の鍵であると広く考えられている。
本稿では, CAFRL - block-DCT および FFT-phase ストリーム, 圧縮レベル条件付き帯域アテンション, 逆(逆)圧縮でこれを検証する。
キャパシティと拡張整合制御を備えた事前登録されたプロトコルの下では、マルチ品質データに対するプレーンなEfficientNet-B0が、各圧縮レベルで指定されたCAFRLを上回った。
論文 参考訳（メタデータ） (2026-08-26T12:05:10Z) - KVDiagnosis: A Diagnostic Benchmark for KV-Cache Compression in Long-Context Language Models [5.349156411852564]
KV-cache圧縮は、長いコンテキストメモリを減らすが、アグリゲートタスクスコアは、どの正しい実行が失敗するか、なぜ失敗するかを明らかにしない。
我々は3つのコントリビューションを持つ診断データセットとベンチマークであるKVDiagnosisを提示する。
論文 参考訳（メタデータ） (2026-08-10T10:38:05Z) - RECAP: Relation Evidence Calibration for Detecting Spatial Relation Hallucinations in Vision-Language Models [18.4543393295727]
視覚言語モデルは、画像が不整合関係をサポートする場合でも、空間関係の疑問に自信を持って答えることができる。
我々は,その視覚的支援を監査することで,すでに生成したイエス/ノー回答を受け入れ,拒否する関係的選択予測を定式化する。
ReCAPは、クレームのイメージ条件付き可能性、セマンティックな矛盾、オプションの片側サポートを比較し、これらの証人を回答条件付き拒絶リスクに変換する。
論文 参考訳（メタデータ） (2026-08-04T14:03:52Z) - Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。
ラベルを適用すれば依存性認定正当性(D-CC)が得られる
4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
論文 参考訳（メタデータ） (2026-07-29T15:55:31Z) - Beyond Accuracy: Auditing Spatial Provenance in Visual Token Pruning for OCR-Critical MLLM Inference [22.335515110971475]
ビジュアルトーケンプルーニングは、一定保持予算における応答品質によって判断される。
私たちはこの盲点を、幾何学的トークン・オリジンの証明によってカップルが行動に答えるエビデンスリスク監査にします。
目的検証ポイントがタスク汎用圧縮を含まないことを示す。
論文 参考訳（メタデータ） (2026-07-29T13:45:31Z) - Prune Redundancy, Preserve Essence: Vision Token Compression in VLMs via Synergistic Importance-Diversity [54.95089105944234]
視覚言語モデル(VLM)は、過剰な視覚トークンの生成によって引き起こされる計算の非効率性に直面する。
2段階パイプラインを特徴とする訓練不要なSynergistic Importance-DiversityアプローチPruneSIDを提案する。
LLaVA-NeXTでは11.1%のトークン保持率で96.3%の精度、極端な圧縮速度(5.6%)で92.8%の精度を実現した。
論文 参考訳（メタデータ） (2026-03-10T10:31:58Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Are We Using the Right Benchmark: An Evaluation Framework for Visual Token Compression Methods [54.4711434793961]
単純な画像ダウンサンプリングは、複数の広く使用されているベンチマークにおいて、多くの高度な圧縮方法より一貫して優れていることを示す。
これらの結果に触発され,既存のベンチマークを識別するデータフィルタリング機構を組み込んだ評価フレームワークであるVTC-Benchを導入する。
論文 参考訳（メタデータ） (2025-10-08T15:44:28Z)
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。