論文の概要: SPOD: Recovering Suppressed Temporal Evidence in Video-LLMs via Single-Pass Orthogonal Decomposition

• arxiv url: http://arxiv.org/abs/2611.04728v1
• Date: Tue, 03 Nov 2026 11:46:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:51:51.636421
• Title: SPOD: Recovering Suppressed Temporal Evidence in Video-LLMs via Single-Pass Orthogonal Decomposition
• Title（参考訳）: SPOD:シングルパス直交分解によるビデオLLMにおける抑制された時間的証拠の復元
• Abstract要約: 時間的エビデンスはすでにビデオ-LLM隠れ表現にエンコードされているが、標準推論では十分に活用されていないことを示す。 解析的隠れ状態操作による時間的証拠の抑制を回復する訓練不要なフレームワークであるSPOD(Single-Pass Orthogonal Decomposition)を提案する。 VidHalluc、EventHallusion、VideoMMMUの実験は、SPODが強い推論時間ベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 7.672164603760135
• License:
• Abstract: Video Large Language Models (Video-LLMs) have achieved strong performance on many video understanding tasks, yet remain vulnerable to temporal hallucination in time-sensitive reasoning scenarios such as scene transition understanding and event ordering. Existing solutions either require costly retraining or introduce inefficient multi-pass inference and external supervision at test time. In this work, we show that temporal evidence is already encoded in Video-LLM hidden representations but is not fully exploited during standard inference. Motivated by this observation, we propose Single-Pass Orthogonal Decomposition (SPOD), a training-free framework that recovers suppressed temporal evidence through analytical hidden-state manipulation in a single forward pass. SPOD consists of two components: Frame Distinctiveness Analysis (FDA), which identifies salient frames from middle-layer hidden-state geometry, and Temporal Delta Subspace (TDS), which constructs orthogonal temporal and prior subspaces from weighted inter-frame hidden-state differences. By decomposing final hidden states into temporal, prior, and residual components and rescaling them independently, SPOD enhances dynamic information, suppresses static appearance bias, and preserves complementary information. Experiments on VidHalluc, EventHallusion, and VideoMMMU show that SPOD consistently outperforms strong inference-time baselines across temporal reasoning tasks and model architectures while retaining near-vanilla inference efficiency. These results suggest that improving temporal reasoning in Video-LLMs may depend not only on additional supervision, but also on recovering temporal evidence already present in their internal representations. Our code is available at https://github.com/VioAgnes/SPOD.
• Abstract（参考訳）: ビデオ大言語モデル (Video Large Language Models, Video-LLMs) は、多くのビデオ理解タスクにおいて強力なパフォーマンスを達成しているが、シーン遷移理解やイベント順序付けのような時間依存性の推論シナリオにおいて、時間的幻覚に弱いままである。 既存のソリューションでは、コストのかかる再トレーニングが必要か、テスト時に非効率なマルチパス推論と外部監視を導入する必要がある。 本研究では,時間的エビデンスはすでにビデオ-LLM隠れ表現にエンコードされているが,標準推論では十分に活用されていないことを示す。 本研究は, 単相直交分解(SPOD, Single-Pass Orthogonal Decomposition)を提案する。 SPODは2つの構成要素から構成される: Frame Distinctiveness Analysis (FDA)は、中間層隠れ状態幾何学から有意なフレームを識別し、TDSは、重み付き隠れ状態の差から直交時間空間と先行部分空間を構成する。 最終隠蔽状態を時間的、事前、残留成分に分解し、それらを独立して再スケーリングすることで、SPODは動的情報を強化し、静的な外観バイアスを抑え、相補的な情報を保持する。 VidHalluc、EventHallusion、VideoMMMUの実験では、SPODは、ほぼバニラの推論効率を維持しながら、時間的推論タスクやモデルアーキテクチャにおいて、強い推論時間ベースラインを一貫して上回っている。 これらの結果から,ビデオLLMにおける時間的推論の改善は,追加の監督だけでなく,すでに内部表現に存在している時間的証拠の回収にも依存する可能性が示唆された。 私たちのコードはhttps://github.com/VioAgnes/SPOD.comで公開されています。

関連論文リスト

• Diagnosing and Correcting Bias in MLLM for Long Video Understanding [60.967743158928805]
  長いビデオの質問に対する答えは難しい。 メモリ制約により、マルチモーダル大言語モデルは非常に低いレートでフレームをサンプリングすることができ、その結果、重要証拠を省略するリスクが生じる。 我々は、学習不要なフレームワーク、対実的長ビデオ証拠認識推論(CLEAR)を提案する。
  論文  参考訳（メタデータ） (2026-10-26T19:44:17Z)
• Think Visually Across Space and Time: Grounded Reasoning for Video Segmentation [73.45102753524989]
  Video Reasoning (VRS) は暗黙的に記述されたターゲットを特定し、そのピクセルレベルのマスク軌道を予測するモデルを必要とする。 我々は,クエリ関連観測を推論チェーンに整理するビデオCoTの時間的基盤形式として,ビデオプリミティブのテキストのみのチェイン(TCoVP)を導入する。
  論文  参考訳（メタデータ） (2026-10-18T07:54:07Z)
• When to Retrieve, When to Stay: Uncertainty-Aware Temporal Evidence Allocation for Streaming Video-LLMs [55.016033209274376]
  WRWS(When to Retrieve, When to Stay)は、不確実性適応型エビデンスアロケーションのためのトレーニング不要のフレームワークである。 WRWSは、関連手段が信頼性が高い場合に意味検索を好んでおり、不確実性の下での精度を高める。 我々の効率評価において、WRWSは、平均視覚から回答までの時間を、最先端手法の47.93%に削減する。
  論文  参考訳（メタデータ） (2026-09-29T12:13:56Z)
• Reflect-R1: Evidence-Driven Reflection for Self-Correction in Long Video Understanding [37.607009528052565]
  この研究は、長いビデオ理解のための最初のEvidence-Driven Self-correctionフレームワークであるReflect-R1を提案する。 このフレームワークは直感、検証、調停からなる3段階のパイプラインを構成する。 本手法は真正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正
  論文  参考訳（メタデータ） (2026-06-26T10:15:36Z)
• STORM: Internalized Modeling for Spatial-Temporal Reasoning in Video-Language Models [81.32710031596591]
  ビデオ推論タスクには、動きの追跡、時間順、フレーム全体の視覚状態の進化が必要である。 視覚言語モデル(LVLM)上に構築された既存の手法はしばしば、チェーン・オブ・ソート(CoT)を通じて推論を外部化することでこの問題に対処する。 STORMSは,LVLMに明示的なテキストCoTではなく,有界な連続的な潜在軌道を推論する2段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-25T16:33:00Z)
• Foresee-to-Ground: From Predictive Temporal Perception to Evidence-Driven Reasoning for Video Temporal Grounding [86.37002814396674]
  ビデオ時間グラウンドのためのフォアシー・ツー・グラウンド(F2G)を提案する。 F2Gは予測的時間知覚とエビデンス駆動推論を統合している。 さまざまなベンチマークでグラウンド化の精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-05-21T04:03:25Z)
• Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
  大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。 これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。 既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
  論文  参考訳（メタデータ） (2026-05-09T14:32:36Z)
• Causality Matters: How Temporal Information Emerges in Video Language Models [17.570777893613137]
  ビデオ入力における位置エンコーディングの除去や修正は、時間的理解の性能の低下を最小限に抑えることが判明した。 この振る舞いを説明するために、我々は時間的情報がモデルにどのように組み込まれているかを追跡するための重要な分析実験を行った。 そこで我々は,2つの効率重視戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-15T16:33:14Z)

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。