論文の概要: Diagnosing and Correcting Bias in MLLM for Long Video Understanding

• arxiv url: http://arxiv.org/abs/2610.36210v1
• Date: Mon, 26 Oct 2026 19:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.426756
• Title: Diagnosing and Correcting Bias in MLLM for Long Video Understanding
• Title（参考訳）: 長期ビデオ理解のためのMLLMの診断と修正
• Abstract要約: 長いビデオの質問に対する答えは難しい。 メモリ制約により、マルチモーダル大言語モデルは非常に低いレートでフレームをサンプリングすることができ、その結果、重要証拠を省略するリスクが生じる。 我々は、学習不要なフレームワーク、対実的長ビデオ証拠認識推論(CLEAR)を提案する。
• 参考スコア（独自算出の注目度）: 60.967743158928805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-video question answering is challenging since the answer often hinges on a few decisive moments scattered throughout the video, while memory constraints force Multimodal Large Language Models (MLLMs) to sample frames at extremely low rates, resulting in sparsity that risks omitting key evidence. Though aggressively enlarging the context size is intuitive, we argue that performance remains fundamentally constrained by the bias, \emph{i.e.}, the misleading cues caused by spurious \textit{linguistic} correlations and salient yet irrelevant \textit{visual} observations. In this paper, we first introduce {S-MME}, a benchmark designed to systematically diagnose shortcut-biased behavior in MLLMs. To mitigate this failure, we further propose a training-free framework, Counterfactual Long-video Evidence-Aware Reasoning (CLEAR). By treating the full video-question pair as a complete view, CLEAR estimates bias effects via augmented views by only keeping the question or locally salient visual clips. Then, we intervene hidden states to mitigate the discrepancy at inference such that the correct answer can be predicted confidently. With experimental studies across five benchmarks, we show that our method is generalizable and can be integrated in different MLLMs, yielding consistent gains in prediction and robustness. We hope CLEAR can offer a complementary direction in test-time scaling for long-video understanding.
• Abstract（参考訳）: ビデオ中に散らばる決定的な瞬間に答えることが多いのに対し、メモリ制約により、Multimodal Large Language Models(MLLM)はフレームを極めて低いレートでサンプリングし、その結果、重要な証拠を省略するリスクが生じる。 文脈サイズを積極的に拡大することは直感的であるが、性能は偏見によって根本から制約されている、と我々は主張する。 本稿では,MLLMのショートカットバイアス動作を系統的に診断するベンチマークである {S-MME} について紹介する。 そこで本研究では,この失敗を軽減すべく,学習不要なフレームワークであるCASE(Courerfactual Long-Aware Reasoning)を提案する。 完全なビデオ検索ペアを完全なビューとして扱うことで、CLEARは、質問や局所的に有意なビジュアルクリップを保持するだけで、拡張ビューを通じてバイアス効果を推定する。 そして、隠れた状態に介入し、推論における不一致を緩和し、正しい答えを自信を持って予測できるようにします。 5つのベンチマークの実験的研究により,本手法は一般化可能であり,異なるMLLMに組み込むことができ,予測とロバスト性において一貫した利得が得られることを示した。 CLEARは、長時間ビデオ理解のためのテストタイムスケーリングにおいて、補完的な方向性を提供できることを願っています。

関連論文リスト

• Investigating Length Bias and Robustness in LVLMs for Multiple-Choice Question Answering [4.099867614294884]
  LVLM(Large Vision-Language Models)は、MCQA(Multiple-choice Question answering)において強い性能を示す。 細粒度視覚領域にまたがる制御されたベンチマークを用いて,長さバイアス,より長い回答オプションの体系的選好について検討する。 LVLMは、視覚的に不整合であっても常に長い選択肢を好んでおり、正解が短くなると2～38%の精度が低下し、1～70%が長くなる。 我々は,複数の推論時緩和戦略を提案し,評価する。これらは部分的な改善を提供するが,推論時に利用できないオラクル情報に頼ることなく,デプロイ可能なバイアス緩和を実現することはできない。
  論文  参考訳（メタデータ） (2026-10-17T06:46:20Z)
• STRAND: Benchmarking and Improving Object-Centric Spatio-Temporal Monitoring in Video Large Language Models [44.95645606647668]
  大きな言語モデル(MLLM)は、ビデオシーンで幻覚を起こす傾向がある。 我々は、人間による検証対象中心事実のベンチマークであるSTRANDを紹介する。 本稿では、構造化されたオブジェクト軌跡に対して明示的に構成と理由を規定するオブジェクト指向フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-28T01:51:50Z)
• VADER: Adaptive Debiasing for Hallucination Mitigation in Video Large Language Models [30.792102059830274]
  Video-Adaptive Debiasing via Evidence Reweighting (VADER)は、2つの補完モジュールを持つトレーニング不要のフレームワークである。 Visual Focus Reallocation (VFR)は、ビデオ検索の各入力に対する介入ポリシーを自動的にインスタンス化する。 SEE(Selective Evidence Erasure)は、フレーム毎に高重要性の視覚トークンを隠蔽する。
  論文  参考訳（メタデータ） (2026-08-09T10:09:11Z)
• Moment-Video: Diagnosing Temporal Fidelity of Video MLLMs on Momentary Visual Events [52.031070006859544]
  ビデオマルチモーダル大言語モデル(MLLM)は、一般的なビデオ理解と長大なビデオ理解を急速に進歩させてきたが、短い回答クリティカルな視覚的証拠を保存できる能力はいまだに未発見のままである。 本稿では,映像MLLMの時間的忠実度を時間的視覚的事象理解によって診断するためのベンチマークであるMoment-Videoを紹介する。
  論文  参考訳（メタデータ） (2026-06-01T17:32:20Z)
• Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
  大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。 これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。 既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
  論文  参考訳（メタデータ） (2026-05-09T14:32:36Z)
• Revisiting Uncertainty: On Evidential Learning for Partially Relevant Video Retrieval [70.47320120707029]
  部分的関連性のあるビデオ検索は、部分的コンテンツのみを記述するテキストクエリを使って、未編集の動画を検索することを目的としている。 この設定では、曖昧なクエリはしばしばビデオ間のセマンティックなあいまいさを引き起こす。 我々は,多粒質のクロスモーダルな証拠を集約し,不確実性を定量化し,モデル化する階層的顕在的学習フレームワークであるHolmesを提案する。
  論文  参考訳（メタデータ） (2026-05-07T12:06:13Z)
• VideoVeritas: AI-Generated Video Detection via Perception Pretext Reinforcement Learning [42.22791607763693]
  VideoVeritasは、きめ細かい認識と事実に基づく推論のためのフレームワークだ。 共同知覚選好と知覚Pretext Reinforcement Learningが使用される。
  論文  参考訳（メタデータ） (2026-02-09T16:00:01Z)
• From Trial to Triumph: Advancing Long Video Understanding via Visual Context Sample Scaling and Self-reward Alignment [51.3011761744484]
  大規模言語モデルは単一の推論で有限フレームしか処理できない。 視覚的コンテキストサンプリングにより複数の予測を提案し,次に最終的な予測を選択するためのスコアリング機構を提案する。 実験により,この手法がビデオ質問の回答の正解を高い割合でカバーしていることが示されている。
  論文  参考訳（メタデータ） (2025-03-26T11:53:03Z)
• Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models [77.96693360763925]
  Video SimpleQAは、ビデオコンテキストにおける事実性評価に適した最初の包括的なベンチマークである。 我々の研究は、既存のビデオベンチマークとは以下の重要な特徴によって異なる: 知識: ビデオの明示的な物語を超えた外部知識の統合を要求する。 短い形式の決定的な答え: 回答は、最小のスコアリング分散を持つ短いフォーマットで、曖昧で決定的に正しいものとして作成されます。
  論文  参考訳（メタデータ） (2025-03-24T17:46:09Z)

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。