論文の概要: Toward Counterfactual Learning for Selective Re-Examination in Agentic Visual Search

• arxiv url: http://arxiv.org/abs/2611.00848v1
• Date: Sat, 31 Oct 2026 11:51:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:36:12.600702
• Title: Toward Counterfactual Learning for Selective Re-Examination in Agentic Visual Search
• Title（参考訳）: エージェントビジュアルサーチにおける選択的再検討のための対物学習に向けて
• Abstract要約: 高解像度画像上の視覚検索は、検査の場所を決定するだけでなく、回答をコミットする前に別の観察が保証されるかどうかを判断するために視覚言語モデル(VLM)を必要とする。 ReSeeは3,227のビジュアル検索トラジェクトリと8,827の明示的なコミットまたは再検査決定からなる再検査決定のベンチマークである。 提案手法は,同一の探索状態から,コミットと再検査による検証結果のペア化を比較検討する決定レベル強化学習法である。
• 参考スコア（独自算出の注目度）: 10.587512692324536
• License:
• Abstract: Visual search over high-resolution images requires a vision-language model (VLM) not only to determine where to inspect, but also whether another observation is warranted before committing to an answer. Existing prompting, demonstrations, and outcome-based reinforcement learning can encourage re-examination, yet do not directly supervise whether it is beneficial at a particular search state. We introduce ReSee, a benchmark of re-examination decisions comprising 3,227 visual-search trajectories and 8,827 explicit commit-or-re-examine decisions, with counterfactual adjudication that distinguishes states where additional inspection is warranted from those where commitment is preferable. Building on this formulation, we propose CARE (Counterfactual Advantage for Re-Examination), a decision-level reinforcement learning method that compares paired continuations under commit and re-examine verdicts from the same search state. Their cost-aware return difference estimates the counterfactual value of an additional observation and is assigned only to the corresponding verdict tokens, providing localized credit for whether search should continue. Experiments expose limited re-examination selectivity in existing VLMs and show that CARE significantly improves accuracy and decision selectivity over GRPO across two backbones, with higher accuracy and fewer visual requests on six unseen OOD benchmarks.
• Abstract（参考訳）: 高解像度画像上の視覚検索は、検査の場所を決定するだけでなく、回答をコミットする前に別の観察が保証されるかどうかを判断するために視覚言語モデル(VLM)を必要とする。 既存のプロンプト、実演、結果に基づく強化学習は再検査を促進するが、特定の検索状態において有用であるかどうかを直接監督することはない。 本稿では,3,227件の視覚探索トラジェクトリと8,827件の明示的なコミットまたは再検査決定からなる再検査決定のベンチマークであるReSeeを紹介する。 この定式化に基づいて、同一の検索状態から、コミットと再検査による検証をペア化して比較する決定レベル強化学習法であるCARE(Counterfactual Advantage for Re-Examination)を提案する。 それらのコスト対応リターン差分は、追加観測の反ファクト値を推定し、対応する判定トークンにのみ割り当てられ、検索が継続されるべきかどうかのローカライズされたクレジットを提供する。 実験では、既存のVLMにおいて限られた再検査選択性を示し、CAREはGRPO上の2つのバックボーンでの精度と決定選択性を大幅に改善し、6つの未確認OODベンチマークでの精度と視覚的要求を少なくすることを示した。

関連論文リスト

• When to Rethink: Learning Multi-Perspective Self-Verification for Vision-Language Models [44.09070184181025]
  自己検証は、外部の判断に頼ることなく、回答の信頼性を向上させる実践的な方法を提供する。 既存の方法は通常、単一の検証基準または固定プロンプトに依存し、不完全で不安定な信頼性推定をもたらす。 textbfMulti-View Self-VerificatitextbfOn witextbfTh ReltextbfIability-Guided SelectitextbfVE Rethinking framework for reliable multimodal reasoning。
  論文  参考訳（メタデータ） (2026-10-04T15:08:07Z)
• Improving Math Reasoning through Value-guided Informative Search [13.331901942429658]
  APIVISは有限予算ガムベル探索をチャンクレベルの数学的推論に適応させる訓練時間フレームワークである。 正確な値誘導選択により,検索された各状態における検証者報酬が向上することを示す。 広く知られている数学的推論ベンチマークと異なるモデルスケールの実験は、競合する検索手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-10-01T05:21:49Z)
• Selective Commitment for Language-Guided Object Retrieval under Partial Observability [1.582181611732474]
  部分的な可観測性の下での言語誘導オブジェクト検索では、より多くの証拠を集め、現場と対話し、候補者をつかむか、棄権するかを決定する必要がある。 参照コンテナに関連する対象を検索するために,これらの決定をコーディネートするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-19T16:59:07Z)
• JudgeStealer: Extracting LLM Judging Capabilities across Evaluation Protocols [27.45301899307822]
  JUDGESTEALERは、ポイントワイドスコアリング、ペアワイド比較、リストワイドランキングプロトコル間での判定機能を複製する、クエリ効率のよいモデル抽出フレームワークである。 強力なクロスプロトコル契約を利用してポイントワイズスコアを取得し、それらを追加の被害者クエリなしでペアワイズとリストワイズに変換する。 既存の抽出基準を73.3%、87.0%、71.6%まで上回り、それぞれポイントワイド、ペアワイド、リストワイドで評価されている。
  論文  参考訳（メタデータ） (2026-08-27T11:28:32Z)
• R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
  R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T19:44:34Z)
• Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents? [61.49434544687523]
  本稿では,エージェント環境におけるきめ細かい故障検出を目的としたメタ評価ベンチマークREFLECTを紹介する。 REFLECTはプロセスレベルの障害モードと結果レベルの障害モードの詳細な分類を定義し、制御および局所的な介入を実行することでインスタンス化する。 私たちの実験では、最高のパフォーマンスモデルでさえ、推論、ツール使用、レポート品質の失敗に対して、全体的なアキュラシーを55%以下に達成しています。
  論文  参考訳（メタデータ） (2026-05-18T23:55:08Z)
• PAVE: Premise-Aware Validation and Editing for Retrieval-Augmented LLMs [8.082352336629816]
  PAVEは、根拠に基づく質問応答のための推論時検証層である。 検索されたコンテキストを質問条件のアトミックな事実に分解し、回答をドラフトし、抽出された前提によってそのドラフトがどの程度うまくサポートされているかをスコアし、ファイナライズ前に低サポート出力を更新する。
  論文  参考訳（メタデータ） (2026-03-21T06:23:21Z)
• 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)
• JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking [81.88787401178378]
  本稿では,文書関連性を評価する際に,人間の認知過程をエミュレートする新しいエージェント・リランカであるJiceRankを紹介する。 我々は,推論集約型BRIGHTベンチマークを用いて判定Rankを評価し,第1段階の検索手法よりも性能が大幅に向上したことを示す。 さらに、JiceRankは、人気の高いBEIRベンチマークの細調整された最先端リランカと同等に動作し、ゼロショットの一般化能力を検証している。
  論文  参考訳（メタデータ） (2024-10-31T18:43:12Z)
• Aligning Large Language Models by On-Policy Self-Judgment [49.31895979525054]
  大規模言語モデルと人間の嗜好を整合させる既存のアプローチは、オンライン学習のために別々の報酬モデル(RM)を必要とするトレードオフに直面しています。 本稿では,オンライン学習を行う新たなアライメントフレームワークSELF-JUDGEを提案する。 また, さらなる評価を行なわずに, サンプリング自体がさらなる性能向上に寄与することを示した。
  論文  参考訳（メタデータ） (2024-02-17T11:25:26Z)

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。