論文の概要: Entropy-Gated Dynamic Rectification for Object Hallucination in Large Vision-Language Models

• arxiv url: http://arxiv.org/abs/2611.04438v1
• Date: Tue, 03 Nov 2026 07:31:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:51:20.71853
• Title: Entropy-Gated Dynamic Rectification for Object Hallucination in Large Vision-Language Models
• Title（参考訳）: 大規模視覚言語モデルにおける物体の幻覚に対するエントロピーゲート動的整形
• Abstract要約: LVLM(Large Vision-Language Models)は、画像にないオブジェクトを通常名付ける。 予測エントロピーはフリーラン世代で大きく変化するのに対し、短い回答にコミットする状態は狭く自信のある帯域を占有する。 既存のステアリングゲートに対して,不確実性を因果的に利用可能なトークンローカル制御信号として利用することにより,この時間的ミスマッチを利用する。
• 参考スコア（独自算出の注目度）: 1.3416169841532526
• License:
• Abstract: Large Vision-Language Models (LVLMs) routinely name objects that are absent from the image. Latent steering can reduce this failure in one model forward pass, but a fixed gate treats early and late decoding steps by the same criterion. We observe that predictive entropy varies sharply within free-running generation, while states that commit to short answers occupy a narrow, confident band. We exploit this temporal mismatch by using uncertainty as a causally available, token-local control signal for an existing steering gate. We propose Entropy-Gated Dynamic Rectification (EGDR), which lowers the intervention threshold when entropy derived from the preceding step's already available logits is high and retains the calibrated operating point when it is low. On LLaVA-1.5-7B, the underlying static gate lowers CHAIR CS/CI from 53.00/15.30 to 32.00/14.30; replacing only its constant threshold with EGDR further lowers them to 29.00/13.60. At a matched 58% intervention rate, the corresponding static control obtains 30.50/14.00. The gain over the static gate holds on LLaVA-NeXT-7B and grows with the generation budget, while POPE scores and general multimodal capability remain effectively unchanged. EGDR requires no additional model forward pass and adds roughly 2% measured latency. Our code is available at https://github.com/alvi-uiu/EGDR.
• Abstract（参考訳）: LVLM(Large Vision-Language Models)は、画像にないオブジェクトを通常名付ける。 遅延ステアリングは、1つのモデルフォワードパスでこの障害を軽減することができるが、固定ゲートは同じ基準で早期および後期デコードステップを処理している。 予測エントロピーはフリーラン世代で大きく変化するのに対し、短い回答にコミットする状態は狭く自信のある帯域を占有する。 既存のステアリングゲートに対して,不確実性を因果的に利用可能なトークンローカル制御信号として利用することで,この時間的ミスマッチを利用する。 本稿では,前ステップの既に利用可能なロジットから導かれるエントロピーが高い場合の介入閾値を低くし,かつ,低い場合には校正動作点を保持するエントロピーゲート型動的整流法を提案する。 LLaVA-1.5-7Bでは、基礎となる静的ゲートはCHAIR CS/CIを53.00/15.30から32.00/14.30に下げる。 一致した58%の介入率で、対応する静的制御は30.50/14.00を得る。 静的ゲートのゲインはLLaVA-NeXT-7Bに留まり、生成予算とともに増大するが、POPEスコアと一般的なマルチモーダル能力は実質的に変化しない。 EGDRには追加のモデルフォワードパスが不要で、約2%のレイテンシが追加される。 私たちのコードはhttps://github.com/alvi-uiu/EGDR.comで公開されています。

関連論文リスト

• Toward Goal-Agnostic Joint-Embedding Predictive Control of Partial Differential Equations [0.0]
  共同埋め込み予測アーキテクチャ(JEPA)を中心に構築された偏微分方程式(PDE)の目標に依存しない制御フレームワークを提案する。 可利用であれば、学習された潜伏空間における生ユークリッド距離(L2$)を最小化するよりも、明確な物理的観測可能(帰納的射影率)に制御目的が適用されることが分かる。
  論文  参考訳（メタデータ） (2026-07-21T20:49:07Z)
• DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners? [57.585275546688116]
  VLM(Vision-Language Models)は、エンボディエージェントの高レベルプランナーとしてますます普及している。 テストタイムの計算をいつ、どこで使うかを選択することは、実際の世界にフロンティアパフォーマンスをもたらす中心である、と私たちは主張する。 我々はマルチモーダルシーンコンテキストを用いてプロンプト毎に計算を割り当てるルーティングフレームワークであるDIRECTを紹介した。
  論文  参考訳（メタデータ） (2026-06-10T17:58:49Z)
• Stop Early, Spend Less: Hidden-State Probes as a Practical Recipe for Streaming Moderation of LLM Outputs [0.0]
  既存のアプローチは、生成後に適用される別のモデレーションモデルに依存している。 我々は、モデレーションに必要な信号が隠蔽状態のモデルにすでに存在することを観察する。 トークンレベルの軽量プローブをトレーニングし、内部アクティベーションを直接操作します。
  論文  参考訳（メタデータ） (2026-06-09T07:01:43Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• Entropy-Based Measurement of Value Drift and Alignment Work in Large Language Models [0.0]
  大きな言語モデルの安全性の主な障害は、分散シフトによる価値の漂流、ジェイルブレイク攻撃、デプロイメントにおけるアライメントの遅さである。 我々はこのフレームワークを大規模言語モデルで運用する。 我々は5方向の行動分類を定義し、モデル転写物から倫理的エントロピーS(t)を推定するために分類器を訓練し、ベースおよび命令調整された変種に対するエントロピーダイナミクスを測定する。
  論文  参考訳（メタデータ） (2025-11-19T17:27:16Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• Logit-Entropy Adaptive Stopping Heuristic for Efficient Chain-of-Thought Reasoning [0.0]
  CoTプロンプト(Chain-of-Thought)は、大規模言語モデルにおいて複雑な推論を可能にする重要なテクニックである。 LEASH: Logit-Entropy Adaptive Stopping Heuristicは,有理数生成を適応的に停止する学習自由復号アルゴリズムである。
  論文  参考訳（メタデータ） (2025-11-06T18:43:16Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Preventing Posterior Collapse with Levenshtein Variational Autoencoder [61.30283661804425]
  我々は,エビデンス・ロー・バウンド(ELBO)を最適化し,後部崩壊を防止できる新しい目的に置き換えることを提案する。 本稿では,Levenstein VAEが後方崩壊防止のための代替手法よりも,より情報的な潜伏表現を生成することを示す。
  論文  参考訳（メタデータ） (2020-04-30T13:27:26Z)

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。