論文の概要: CLARA: A Cognitively-Driven Clarification Framework for Grounding Ambiguous Requests
- arxiv url: http://arxiv.org/abs/2611.04708v1
- Date: Tue, 03 Nov 2026 11:28:33 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:31:05.711678
- Title: CLARA: A Cognitively-Driven Clarification Framework for Grounding Ambiguous Requests
- Title（参考訳）: CLARA: 曖昧な要求を解決するための認知駆動型明確化フレームワーク
- Abstract要約: ユーザから鍵情報を積極的に引き出すフレームワークであるCLARA(Conversational cLArification for Robotic Arrangement)を提案する。
CLARAはあいまいな要求を構造化された詳細な指示に洗練し、どのようにオブジェクトを整理または再配置するかを正確に記述する。
その結果、CLARAは、他の最先端LVLMシステムと比較して、より正確で一貫した結果をもたらすことがわかった。
- 参考スコア（独自算出の注目度）: 23.731042071528606
- License:
- Abstract: Robotics and AI systems are increasingly deploying large vision-language models (LVLMs) to follow high-level instructions, from routine household chores to more complex organizational tasks. Yet, broad directives like "clean the room" or "organize the desk" frequently omit crucial details about user preferences and specific arrangement of objects that influence the desired outcome. Without any further guidance, such models tend to overestimate their grasp of ambiguous instructions and frequently assume they have sufficient understanding despite missing important details. In this paper, we propose CLARA (Conversational cLArification for Robotic Arrangement), a cognitively-driven clarification framework that proactively elicits key information from users, in a similar fashion as humans' clarification seeking behavior. Through targeted questioning, CLARA refines ambiguous requests into structured, detailed instructions describing precisely how objects should be organized or rearranged, according to the user's preferences. These clarifications then guide a diffusion-based image generation pipeline, producing realistic visual renderings of the final, desired scene. This final rendering also serves as a visual confirmation of the system's understanding from the user. Experimental results and user studies demonstrate that CLARA leads to more accurate and consistent outcomes compared to another State-of-the-Art LVLM system, highlighting the importance of interactive clarification for bridging the gap between vague directives and fully grounded task specifications.
- Abstract（参考訳）: ロボットとAIシステムは、日常的な家事からより複雑な組織的タスクに至るまで、高度な指示に従うために、大きな視覚言語モデル(LVLM)を徐々に展開している。
しかし、"部屋のクリーン化"や"机の整理"といった幅広い指示は、ユーザの好みや、望ましい結果に影響を与えるオブジェクトの特定の配置に関する重要な詳細を省略することが多い。
それ以上のガイダンスがなければ、そのようなモデルは曖昧な指示の把握を過大評価し、重要な詳細が欠けているにもかかわらず十分な理解を得られるとしばしば仮定する。
本稿では,ユーザから重要な情報を積極的に引き出す認知駆動型明確化フレームワークであるCLARA(Conversational cLArification for Robotic Arrangement)を提案する。
対象の質問を通じて、CLARAは、ユーザの好みに従って、オブジェクトをどのように整理または再配置すべきかを正確に記述した、構造化された詳細な指示を、あいまいな要求に洗練する。
これらの明確化は拡散に基づく画像生成パイプラインを誘導し、最終的なシーンのリアルな視覚的レンダリングを生成する。
この最終的なレンダリングは、システムによるユーザからの理解の視覚的確認にも役立ちます。
実験結果とユーザスタディにより、CLARAは、他のState-of-the-Art LVLMシステムと比較して、より正確で一貫した結果をもたらすことが示され、曖昧な指示と完全に基底化されたタスク仕様のギャップを埋める上での対話的明確化の重要性が強調された。
関連論文リスト
- CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。
本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。
実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文 参考訳（メタデータ） (2026-08-12T04:27:45Z) - RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。
実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。
MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
論文 参考訳（メタデータ） (2026-04-09T03:40:46Z) - IntPro: A Proxy Agent for Context-Aware Intent Understanding via Retrieval-conditioned Inference [22.214499732123173]
IntProは、検索条件付きインテント推論を通じて個々のユーザへの適応を学ぶプロキシエージェントである。
IntProは、効果的なコンテキスト認識推論機能によって、パフォーマンスを強く理解することを示す。
論文 参考訳（メタデータ） (2026-02-10T07:20:58Z) - Plug-and-Play Clarifier: A Zero-Shot Multimodal Framework for Egocentric Intent Disambiguation [60.63465682731118]
エゴセントリックなAIエージェントのパフォーマンスは、基本的にマルチモーダルな意図のあいまいさによって制限される。
ゼロショットでモジュラーなフレームワークであるPlug-and-Play Clarifierを導入し、問題を個別に解決可能なサブタスクに分解する。
我々のフレームワークは,小言語モデルの意図的明確化性能を約30%向上させ,より大きな言語モデルとの競争力を高める。
論文 参考訳（メタデータ） (2025-11-12T04:28:14Z) - ECLAIR: Enhanced Clarification for Interactive Responses in an Enterprise AI Assistant [10.954831867440332]
ECLAIR (Enhanced CLArification for Interactive Responses) は対話的曖昧化のための多エージェントフレームワークである。
ECLAIRは、カスタムエージェントが定義された対話的なプロセス、エージェントによるあいまいさ推論の実行、明確化質問の生成、最終応答の洗練にユーザフィードバックを活用することで、あいまいなユーザクエリの明確化を促進する。
実世界の顧客データでテストすると、ECLAIRは標準的な数ショット法と比較して、明確化質問生成の大幅な改善を示している。
論文 参考訳（メタデータ） (2025-03-19T23:13:34Z) - Leveraging Large Vision-Language Model as User Intent-aware Encoder for Composed Image Retrieval [19.87084105344227]
Composed Image Retrieval (CIR) は、ユーザ意図を記述する参照画像と相対キャプションからなるハイブリッドモダリティクエリを用いて、候補セットからターゲット画像を取得することを目的としている。
我々は,大規模視覚言語モデル(LVLM)を強力なユーザ意図認識エンコーダとして活用する新しいフレームワークであるCIR-LVLMを提案する。
論文 参考訳（メタデータ） (2024-12-15T07:09:02Z) - StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。
本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。
実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
論文 参考訳（メタデータ） (2024-10-11T13:52:44Z) - Augmented Commonsense Knowledge for Remote Object Grounding [67.30864498454805]
エージェントナビゲーションを改善するための時間的知識グラフとして,コモンセンス情報を活用するための拡張コモンセンス知識モデル(ACK)を提案する。
ACKは知識グラフ対応のクロスモーダルとコンセプトアグリゲーションモジュールで構成され、視覚的表現と視覚的テキストデータアライメントを強化する。
我々は、より正確な局所的な行動予測につながるコモンセンスに基づく意思決定プロセスのための新しいパイプラインを追加します。
論文 参考訳（メタデータ） (2024-06-03T12:12:33Z) - Selective Visual Representations Improve Convergence and Generalization
for Embodied AI [44.33711781750707]
身体化されたAIモデルは、CLIPのような棚の視覚バックボーンを使って視覚的な観察をエンコードすることが多い。
これは学習プロセス内のノイズを導入し、タスク関連視覚的手がかりからエージェントの焦点を逸脱させる。
人間が経験、知識、課題に基づいて知覚をフィルタリングするプロセスにおいて、人間の選択的な注意を喚起して、我々は、具体化されたAIのための視覚刺激をフィルタリングするためのパラメータ効率の良いアプローチを導入する。
論文 参考訳（メタデータ） (2023-11-07T18:34:02Z)
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。