論文の概要: Supervising the Visible State: Separating Representation from View Selection in Streaming Video

• arxiv url: http://arxiv.org/abs/2610.34926v1
• Date: Mon, 26 Oct 2026 06:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.776715
• Title: Supervising the Visible State: Separating Representation from View Selection in Streaming Video
• Title（参考訳）: 可視状態の監視:ストリーミングビデオにおけるビュー選択からの表現の分離
• Abstract要約: Visible-State Supervision (ViSS) は、イベントの同一性、順序、蓄積、関係の変化、回答の正当性に関する調査を訓練する。 Test-Time Causal View Search (TVS)は、学習したモデルの修正を維持しながらエビデンスアクセスを適用する。
• 参考スコア（独自算出の注目度）: 29.69055584049387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An action seen once and the same action seen three times receive the same action-recognition label, so that supervision does not require a model to count. Answers shared across histories that differ in event order, accumulation, or relations leave those distinctions unconstrained; we call this state under-specification. Visible-State Supervision (ViSS) addresses it by training on source-grounded probes of event identity, order, accumulation, relation change, and answer sufficiency; under the same recent-frame interface it improves OVO-Bench over a strict-matched generic temporal supervision baseline while remaining comparable on StreamingBench, with the largest gain in hallucination detection. Test-Time Causal View Search (TVS) then adapts evidence access while keeping the learned model fixed, expanding from recent frames to sparse event and compact history views on demand. The two interventions separate representation from view selection: supervision particularly benefits hallucination detection and causal reasoning, access particularly benefits event recall and forward reasoning. Together they reach the best reported accuracy among the published systems compared here on StreamingBench and OVO-Bench at a fraction of the processed frames of exhaustive selection, and strict replay shows that most of the remaining gap to a three-view oracle is a correct answer that was later replaced. Streaming accuracy depends on what supervision asks the model to keep, what evidence inference exposes, and whether the model keeps a correct answer once it has one.
• Abstract（参考訳）: 一度に見た行動と3回見た行動は、同じ行動認識ラベルを受け取るため、監督は数えるモデルを必要としない。 イベントの順序、蓄積、関係において異なる歴史にまたがる回答は、これらの区別を制約しないままにし、我々はこの状態を過小評価( under-specification)と呼ぶ。 ヴィシブル・ステート・スーパービジョン(Visible-State Supervision, ViSS)は、イベントの同一性、順序、累積、関係変化、および応答の十分性に関するソースグラウンドのプローブをトレーニングすることで、この問題に対処する。 Test-Time Causal View Search (TVS)は、学習したモデルの修正を維持しながらエビデンスアクセスを適応し、最近のフレームからスパースイベントへと拡張し、必要に応じてコンパクトなヒストリビューを提供する。 二つの介入は、ビュー選択とは別の表現であり、特に監督は幻覚の検出と因果推論、特にアクセスはイベントリコールと前方推論に利益をもたらす。 StreamingBench と OVO-Bench で処理されたフレームのごく一部で比較された結果、これらが共に最も正確であると報告され、厳密なリプレイにより、残りの3ビューのオラクルとのギャップの大部分は、後に置き換えられた正しい答えであることが示された。 ストリーミングの正確性は、モデルが保持するように求めるもの、エビデンス推論が公開するもの、そしてモデルがそれを持っていれば正しい回答を保持するかどうかによって異なります。

関連論文リスト

• SPARE: Shared Perception and Adaptive Retrieval of Evidence for Streaming Video Understanding [45.305417318526054]
  ビデオの理解をストリーミングするには、観察されたビデオからの質問に答える必要がある。 適応的履歴検索と視覚的エンコーダ共有を組み合わせたフレームワークであるSPAREを提案する。 視覚のみの入力で、SPAREはOVO-Benchのリアルタイムおよびバックワードタスクグループで77.78%、StreamingBenchで73.31%を達成する。
  論文  参考訳（メタデータ） (2026-10-10T07:37:10Z)
• When to Retrieve, When to Stay: Uncertainty-Aware Temporal Evidence Allocation for Streaming Video-LLMs [55.016033209274376]
  WRWS(When to Retrieve, When to Stay)は、不確実性適応型エビデンスアロケーションのためのトレーニング不要のフレームワークである。 WRWSは、関連手段が信頼性が高い場合に意味検索を好んでおり、不確実性の下での精度を高める。 我々の効率評価において、WRWSは、平均視覚から回答までの時間を、最先端手法の47.93%に削減する。
  論文  参考訳（メタデータ） (2026-09-29T12:13:56Z)
• PARSEE-VAD: Efficient Training-Free Online Video Anomaly Detection via Proposition-Aware Reasoning and Streaming Evidence Escalation [24.367658227422698]
  凍結したマルチモーダル言語モデルによるトレーニング不要なオンラインビデオ異常検出には,2つの課題がある。 本稿では,意味的エビデンス獲得とスコア状態の進化を分離するフレームワークであるPARSEE-VADを紹介する。 実験はトレーニングなしのオンラインパフォーマンスを示し、選択的ルーティングは専門的な計算を減らします。
  論文  参考訳（メタデータ） (2026-09-27T05:24:55Z)
• Omni-Streaming Thinking [57.37011317711198]
  オームニモーダルモデルのストリーミングは、これまで観察されたビデオチャンクと同期オーディオから何といつ答えるかを決定する必要がある。 我々は,これまでに観察された証拠,今後の証拠の予測,及びこの証拠に基づく主張を含む構造化された出力を生成するOmni-Streaming Thinking (OST)を提案する。
  論文  参考訳（メタデータ） (2026-09-14T07:05:04Z)
• GROVE: Growing and Reasoning over Temporally Stratified Memory from Streaming Video Experience [67.55136435794206]
  ウェアラブルアシスタントは、その視覚的履歴に関する質問に答え、その歴史が現在の状況に有効であるかどうかを認識する。 GROVEは、連続的なビデオストリームから慎重に成長した1つのメモリで両方の動作をサポートする、トレーニング不要のフレームワークである。 GROVEは、きめ細かい知覚的証拠を保持し、それをタイムスタンプ化された瞬間、一貫性のあるエピソード、そして日々のパターンに漸進的に統合する。
  論文  参考訳（メタデータ） (2026-08-03T15:35:28Z)
• Beyond the Current Observation: Evaluating Multimodal Large Language Models in Controllable Non-Markov Games [69.57330692969543]
  RNG-Benchは、過去の観測を再構築するベースモデルの能力を分離するために設計されたベンチマークスイートである。 RNG-Benchには2つの補完ゲームがある: マッチングペア(英語版) - 特定の場所でカードのIDを短期間明らかにする) と、エゴセントリックなビューを空間地図に統合する3D Maze である。 最も難しい構成では、約128Kのトークンと350のイメージ入力のコンテキストが必要であり、フロンティアMLLMによる飽和には程遠いままである。
  論文  参考訳（メタデータ） (2026-06-17T17:59:34Z)

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。