論文の概要: Co-Occurrence Priors Override Visual Spatial Evidence: Understanding False Alarms in Vision-Language Models for Construction Struck-By Hazard Detection

• arxiv url: http://arxiv.org/abs/2611.04112v1
• Date: Tue, 03 Nov 2026 00:39:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:29:12.924088
• Title: Co-Occurrence Priors Override Visual Spatial Evidence: Understanding False Alarms in Vision-Language Models for Construction Struck-By Hazard Detection
• Title（参考訳）: 視覚的空間的エビデンスを優先する共起性:建設現場の危険度検出のための視覚言語モデルにおける偽アラームの理解
• Abstract要約: 視覚言語モデル(VLM)は、建設の危険監視をますます支援しているが、それらの頻繁な誤報は理解されていない。 本研究では,物体認識の失敗,空間的関係符号化の失敗,あるいは学習された共起先で支配される危険判断から,誤攻撃による危険警告が生じるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License:
• Abstract: Vision-language models (VLMs) increasingly support construction hazard monitoring, yet their frequent false alarms remain poorly understood. This study investigates whether false struck-by hazard warnings arise from failures in object recognition, spatial relation encoding, or hazard decisions dominated by learned co-occurrence priors. We evaluated Qwen2.5-VL-7B and InternVL3.5-8B using 355 counterfactual worker-excavator scene pairs with controlled spatial proximity and worker-removal variants, combining behavioral analysis, internal representation probing, causal interventions, and decision correction. Both models recognized the entities and encoded their spatial relations (out-of-fold AUROC: 0.82 and 0.91), assigning higher hazard scores to near than far scenes in 79% and 73% of pairs. Nevertheless, 74% and 100% of far scenes were falsely classified as hazardous. Removing the worker reduced Qwen's hazard rate to 11%, while worker presence exerted 2.4- and 3.2-times greater influence on hazard scores than spatial proximity in the respective models. Attention-head interventions, neuron-level interventions, and activation steering failed to eliminate this co-occurrence bias. However, conditioning hazard decisions on the model's own spatial-relation representation improved Qwen's specificity from 0.36 to 0.58 at matched sensitivity, outperforming threshold recalibration. These findings reveal that VLM struck-by false alarms stem primarily from decision-making failures rather than deficiencies in object recognition or spatial encoding, suggesting that future efforts should prioritize conditioning hazard decisions on encoded spatial evidence rather than further improving visual recognition alone.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、建設の危険監視をますます支援しているが、それらの頻繁な誤報は理解されていない。 本研究では,物体認識の失敗,空間的関係符号化の失敗,あるいは学習された共起先で支配される危険判断から,誤攻撃による危険警告が生じるかどうかを検討する。 Qwen2.5-VL-7B と InternVL3.5-8B を355個の対物的作業者・作業者・作業者・作業者・作業者間の空間的近接と作業者・作業者・作業者・作業者・作業者・作業者・作業者・作業者・作業者・作業者・作業者の組み合わせを用いて評価し,行動分析,内部表現探索,因果介入,意思決定の補正を行った。 どちらのモデルもそれらの実体を認識し、空間的関係(AUROC:0.82と0.91)を符号化し、高いハザードスコアを79%と73%のペアで遠くのシーンに割り当てた。 それでも、遠景の74%と100%は、誤って危険であると分類された。 作業員のハザードレートは11%に低下し、作業員の存在は各モデルにおける空間的近接よりもハザードスコアに2.4倍と3.2倍の影響を及ぼした。 注意-頭的介入、ニューロンレベルの介入、活性化ステアリングは、この共起バイアスを排除できなかった。 しかし、モデル自身の空間関係表現に対する条件付けのハザード決定により、Qwenの特異性は、一致した感度で0.36から0.58に向上し、閾値補正よりも優れていた。 これらの結果から,VLMの誤報は,物体認識や空間符号化の欠陥よりも意思決定の失敗に起因していることが明らかとなった。

関連論文リスト

• FearCaut-Qwen: Affective Steering in a Vision-Language Model Shifts the Decision Criterion for Hazard Assessment [1.5229257192293202]
  視覚逆モデル(VLM)は、災害後の損傷評価に大きな可能性を示すが、繰り返し発生する欠陥は、彼らが危険を宣言することに消極的であることである。 本研究は,信号検出理論を用いて,決定動作を能力と判定基準の配置に分解する。 本研究では,恐怖が人間を危険に晒すという発見に触発されて,過保守な意思決定政策を是正する新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-10-08T13:57:46Z)
• Evidence of Absence: Cross-Modal Abductive Risk Perception to Sustain World Models When Vision Fails [11.206758778146282]
  構造化された世界状態は、知覚が劣化するときに予測クリティカルな内容を保存するように設計されている。 我々は、想定された共証拠の欠如を隠れた原因の証拠として扱うことにより、相補的なモダリティから世界モデルを維持する方法について論じる。 マイクロホンアレイフロントエンドは、エンジンおよびタイヤ源の軸受を推定し、接近速度証拠を抽出する。
  論文  参考訳（メタデータ） (2026-08-15T00:38:17Z)
• Harnessing Disagreement: Detecting Correlated Agreement Blindness in Multi-Agent Triage [3.164789424470588]
  分散トリガー付きエスカレーションは、マルチエージェント仲裁において構造的な盲点を生み出すことができる。 本稿では,誘導性ランダムフォレスト (RF) エージェントと類似のケースベースk-アネレスト (k-NN) エージェントを組み合わせた指向性星系ARATを提案する。
  論文  参考訳（メタデータ） (2026-07-22T08:35:00Z)
• Evaluation Awareness Is Not One Capability: Evidence from Open Language Models [1.758143872501506]
  安全ベンチマークは、テスト条件の振る舞いがデプロイメントの振る舞いを予測すると仮定する。 これにより、ベンチマークパフォーマンスとデプロイメントの動作のギャップが開ける。 我々は、37のオープンウェイトモデルと7つのファミリーにわたる8つの実験を通して、この評価意識を特徴づける。
  論文  参考訳（メタデータ） (2026-06-22T16:48:43Z)
• Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
  本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。 我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
  論文  参考訳（メタデータ） (2026-03-16T17:37:17Z)
• OOD-MMSafe: Advancing MLLM Safety from Harmful Intent to Hidden Consequences [64.01706941950489]
  現在の安全パラダイムは、主に悪意のある意図や状況違反をターゲットとしている。 我々は,自律型および実施型エージェントのロバスト展開に不可欠なパラダイムである,結果駆動型安全に向けた安全フロンティアのシフトを提案する。 本稿では,トークンレベルの自己蒸留報酬の動的参照として,モデル固有の推論を統合したCASPO(Consequence-Aware Safety Policy Optimization)フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-03-10T14:16:43Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)

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。