論文の概要: VizDAGuide: Misleading Chart Question Answering in Compact Vision Language Models via DAG-Structured Supervision
- arxiv url: http://arxiv.org/abs/2611.03023v1
- Date: Mon, 02 Nov 2026 12:20:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 13:47:54.401615
- Title: VizDAGuide: Misleading Chart Question Answering in Compact Vision Language Models via DAG-Structured Supervision
- Title（参考訳）: VizDAGuide:DAG-Structured Supervisionによるコンパクトビジョン言語モデルのチャート質問回答の誤解
- Abstract要約: VizDAGuideは、誤解を招く質問応答のためのDAG構造化の監視方法である。
この方法は、中間的推論状態とその依存を有向非巡回グラフとして表現する。
実験では、コンテンツと重み付けされたリニアCoT-SFTベースラインを両応答形式で改善した。
- 参考スコア（独自算出の注目度）: 25.00855601237842
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Misleading charts can lead vision-language models to conclusions that conflict with underlying data. Existing work focuses on inference-time strategies, while training-time supervision remains less explored. We present VizDAGuide, a DAG-structured supervision method for misleading-chart question answering. The method represents intermediate reasoning states and their dependencies as a directed acyclic graph, assigns supervision weights according to their roles, and serializes the graph into a unified training target for open-ended and multiple-choice QA with single-pass inference. Experiments on two benchmarks across Qwen3-VL and InternVL3.5 models show improvements over a content- and weight-matched Linear CoT-SFT baseline on both answer formats. Process-level evaluation shows gains in grounding and operation execution, while ablations indicate that dependency structure and weighted supervision are most effective when combined. These results support DAG-structured weighted supervision for misleading-chart question answering.
- Abstract（参考訳）: 誤解を招くチャートは、基礎となるデータと矛盾する結論にビジョン言語モデルをもたらす可能性がある。
既存の作業は推論時の戦略に重点を置いている。
本稿では,DAGを構造化した質問応答手法であるVizDAGuideについて述べる。
この方法は、中間的推論状態とその依存関係を有向非巡回グラフとして表現し、その役割に応じて監督重みを割り当て、単一パス推論によるオープンエンドおよびマルチチョイスQAのための統一的なトレーニングターゲットにグラフをシリアライズする。
Qwen3-VL と InternVL3.5 の2つのベンチマーク実験では、コンテンツと重み付けされたリニア CoT-SFT ベースラインを両応答形式で改善した。
プロセスレベルの評価では、接地と運用の実行が向上し、アブレーションは、依存構造と重み付けされた監督が組み合わせると最も効果的であることを示している。
これらの結果は,DAG構造化重み付き質問応答支援に有効である。
関連論文リスト
- UniGFM-RAG: Unify Graph Foundation Models and Large Language Models for End-to-End Retrieval and Reasoning [56.749106009207416]
大規模言語モデル(LLM)はタスク間で顕著な能力を示しているが、それでも分散知識の統合を必要とする複雑な推論に苦慮している。
LLM ジェネレータと GFM レトリバーを密結合した,エンドツーエンドの GraphRAG フレームワークである ourmethod を提案する。
実験の結果,本手法は強いベースライン法より一貫して優れ,一般化が良好であることがわかった。
論文 参考訳（メタデータ） (2026-10-26T05:30:07Z) - Monitorable Chart Reasoning Agents via Verifiable Process Rewards [37.70404236777598]
既存のLVLMベースのチャートエージェントは、答えのみの予測か、検証が難しい自由形式の有理性を生成する。
本稿では,監視可能なチャートエージェントを検証可能なプロセス報酬でトレーニングするための強化強化であるChart-RVRを提案する。
ドメイン外の6つのベンチマークで、Chart-RVRは同等サイズのLVLMの中で最先端の精度を実現している。
論文 参考訳（メタデータ） (2026-09-21T03:53:20Z) - Navigating the Mirage: A Dual-Path Agentic Framework for Robust Misleading Chart Question Answering [40.87166294341564]
ChartCynicsは「懐疑的」推論パラダイムを通じて視覚的騙しを解き放つように設計されたフレームワークである。
エージェント Summarizer は2段階のプロトコルにより最適化された: Oracle-Informed SFT による蒸留の推論と対向アライメントのためのDeception-Aware GRPO である。
我々は,ChartCynicsが74.43%,64.55%の精度を実現し,Qwen3-VL-8Bのバックボーンよりも29%の絶対的な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2026-03-30T15:32:24Z) - Chart Specification: Structural Representations for Incentivizing VLM Reasoning in Chart-to-Code Generation [11.18352269863283]
VLM(Vision-Language Models)は、チャート画像からプロットコードを生成することを約束している。
既存のアプローチは、主に監督された微調整と表面レベルのトークンの模倣に頼っている。
本稿では,テキストの模倣から意味的に根ざした監督へトレーニングを移行させる構造化中間表現であるChart Specificationを提案する。
論文 参考訳（メタデータ） (2026-02-11T14:08:06Z) - Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ
これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。
既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。
我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
論文 参考訳（メタデータ） (2025-09-25T06:48:52Z) - BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning [51.472854950300416]
視覚的に多様なチャート画像を生成するデータセット生成パイプラインであるBigChartsを提案する。
純粋な合成データセットとは異なり、BigChartsは現実世界のデータを取り込んで、信頼性と視覚的多様性を保証する。
チャート推論に特化して設計された新たな報酬信号を導入することにより,モデルの堅牢性と一般化が促進される。
論文 参考訳（メタデータ） (2025-08-13T13:39:17Z) - InterChart: Benchmarking Visual Reasoning Across Decomposed and Distributed Chart Information [44.79888692172093]
視覚言語モデル(VLM)が複数の関連チャートにどの程度うまく関連しているかを評価するための診断ベンチマークであるInterChartを紹介する。
ベンチマークは,個々のチャートに対する現実的推論,合成的に整合したチャートセット間の積分解析,視覚的に複雑な実世界のチャートペアに対する意味推論の3段階に分類する。
論文 参考訳（メタデータ） (2025-08-11T05:19:23Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Advancing Chart Question Answering with Robust Chart Component Recognition [18.207819321127182]
本稿では,バー,ライン,パイ,タイトル,伝説,軸といったコンポーネントを正確に識別し,分類することで,チャートコンポーネントの認識を強化する統一フレームワークを提案する。
また,Chartformerによって符号化されたチャート機能に与えられた質問を融合させ,正しい回答の根拠となる質問のガイダンスを活用する,新しい質問誘導型変形型コ・アテンション機構を提案する。
論文 参考訳（メタデータ） (2024-07-19T20:55:06Z) - StructChart: On the Schema, Metric, and Augmentation for Visual Chart Understanding [54.45681512355684]
現在のチャート関連タスクは、ビジュアルチャートから情報を抽出するチャート認識か、抽出されたデータに基づいてチャート推論にフォーカスする。
我々はStructChartを紹介した。StructChartはStruct Triplet Representations(STR)を利用して、統一的でラベル効率のよいアプローチを実現する新しいフレームワークである。
論文 参考訳（メタデータ） (2023-09-20T12:51:13Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z)
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。