論文の概要: Discarded or Unreachable? Diagnosing and Repairing Spatial Relation Failure in Vision--Language Similarity
- arxiv url: http://arxiv.org/abs/2611.05565v1
- Date: Tue, 03 Nov 2026 19:57:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.833892
- Title: Discarded or Unreachable? Diagnosing and Repairing Spatial Relation Failure in Vision--Language Similarity
- Title（参考訳）: 認識不能か? : 視覚における空間的関係障害の診断と修復--言語的類似性
- Abstract要約: 対照的な視覚言語モデルは、偶然に近い左右の関係をスコアする。
10個のエンコーダにまたがるクリーンな2つのオブジェクト写真では、横方向の極性は、プールされたベクトルのフリップ奇数成分から線形に退避可能である。
100万のキャプションを検索すると、ネイティブスコアの9つがチャンスとして残る:アクセス障害だ。
- 参考スコア（独自算出の注目度）: 6.861800617260376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contrastive vision-language models score left/right relations near chance, but the symptom has two causes that call for opposite repairs: the relation may survive in the pooled embedding yet be unreachable by native image-text similarity, or pooling may discard it while the dense features retain it. On clean two object photographs, across ten encoders, the lateral polarity is linearly decodable from the flip odd component of the pooled vector at 0.77-0.99, yet a search over a million captions leaves nine of the ten at chance under native scoring: an access failure. On controlled C4 orbits, where the relation is the only thing that varies, pooling keeps the arrangement axis at 0.998-1.000 and loses its polarity, which the patch grid retains: a pooling failure. Both sit downstream of the dense features, so one readout covers both. Our zero parameter, query conditioned spatial moment recomputes the geometry from the patch grid and stores it as a vector beside the native embedding. On a 118,287 image index it raises left/right pairwise accuracy against reversed geometry negatives from 0.51-0.53 to 0.81-0.96 and conditional R@1 among 21 category matched candidates from 0.05 to 0.37-0.75, at under a millisecond per batched query, while reproducing the native ranking exactly for queries that name no relation.
- Abstract（参考訳）: コントラスト的視覚言語モデルは偶然に左右の関係をスコアするが、症状には反対の修復を求める2つの原因がある。
クリーンな2つのオブジェクト写真では、10個のエンコーダにまたがって横方向の極性は0.77-0.99でプールされたベクトルの旋回奇数成分から線形に除くことができる。
制御されたC4軌道では、関係が変化する唯一のものであり、プールは配置軸を0.998-1.000に保ち、その極性を失う。
どちらも高密度機能の下流に置かれているので、読み出しは両方をカバーする。
私たちのゼロパラメータ、クエリ条件付き空間モーメントは、パッチグリッドからジオメトリを再計算し、ネイティブ埋め込みの横にあるベクトルとして保存します。
118,287の画像インデックスでは、逆幾何陰性に対する左右のペアワイズ精度が0.51-0.53から0.81-0.96に上昇し、21カテゴリの条件R@1は0.05から0.37-0.75に一致し、バッチクエリ毎のミリ秒以下で、関係のないクエリのネイティブランキングを正確に再現する。
関連論文リスト
- Decoding Geometry, Not Tokens: Efficient VLMs for Robot Affordance and Trajectory Prediction [34.99041938818977]
0.5-2BパラメータのコンパクトなオフザシェルフVLMは、その中間隠蔽状態において、既に豊富な空間情報を符号化していることを示す。
静止空間情報を軽量で幾何互換の予測ヘッドで公開し、凍結したバックボーンにアタッチする。
我々の2B変種は、軌道誤差を60%以上削減し、自己回帰ベースラインと比較して、ShareRobot-Bench割当mAPを85%改善する。
論文 参考訳（メタデータ） (2026-10-29T05:56:52Z) - The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits [0.06700983301090584]
本研究では,会話の旋回,メモリテキスト,クエリ間の幾何学的関係が生成前の正確さを予測できるかどうかを考察する。
ロジスティック分類器は、クエリ近接、メモリ会話対応、会話構造を記述する25の特徴を使用する。
LongMemEval の場合、プールされた AUROC は 2,367 の質問システム対に対して 0.640 であり、質問分散ベースラインは 0.655 である。
論文 参考訳（メタデータ） (2026-10-19T13:56:49Z) - How to Build a Benchmark That Actually Measures Taste [39.170836363248604]
専門家による"味"ベンチマークは、テストを実行する能力ではなく、クラフト判断に報いるべきだ。
TasteBenchは、ビジュアル、ブランド、書籍、およびテクノロジーアイテムを対象とした、ペアワイズで良質なvs-badベンチマークです。
論文 参考訳（メタデータ） (2026-10-10T08:26:28Z) - Correctness Is a Direction: Geometric Answer Selection in Language Models [37.52103844741668]
スコアリング方向がゼロショットログ確率スコアよりも優れていることを示す。
事実推論、ドメイン知識、真性に対する正当性方向は表現空間においてほぼ直交である。
論文 参考訳（メタデータ） (2026-10-03T13:21:04Z) - CoRef-GS: Cooperative Referring Gaussian Splatting for Multi-Agent Scene Understanding [61.37726020220854]
CoRef-GSはガウシアンスプレイティングフレームワークを参考にしている。
CoQuad-Refは、現実世界とシミュレーションされた屋内シーンの両方にまたがるベンチマークである。
論文 参考訳（メタデータ） (2026-09-17T15:39:25Z) - GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding [8.113418747367573]
コンピュータ利用エージェントは、インターフェイス要素を見つけるために、スクリーンショットに自然言語命令を接地する。
既存のベンチマークでは、モデルが言語を正しい要素にバインドするかどうかを区別していない。
そこで我々はGUI-Primitives(GUI-Primitives, 994-itemベンチマーク)を紹介した。
論文 参考訳（メタデータ） (2026-08-22T08:04:59Z) - Interpretable Cross-Lingual Alignment in Small Language Models: Probing Cultural and Pragmatic Reasoning in Japanese-English Bilingual LLMs [0.0]
表面流速から4つの現象を分離する最小ペアのベンチマークであるJ-PragEval-v0を紹介する。
線形プローブと教師による対数確率評価を組み合わせて、TinySwallow-1.5B内のどのコントラストがライブであるかを問う。
論文 参考訳（メタデータ） (2026-08-14T21:04:21Z) - Excess Separability: Nuisance-Controlled Residual-Stream Probing for Benchmark Contamination Detection [0.0]
ベンチマーク汚染はn-gram重なり、可能性に基づくメンバーシップ推論、カナリア文字列と診断される。
これを行う自然な方法はうまくいかないことを示し、測定を生き残るものを特定し、それを動作させる補正が、テストされるnullよりも多くのばらつきをもたらすことを見つけます。
論文 参考訳（メタデータ） (2026-08-12T23:27:20Z) - Jury Duty: Calibration and Orientation Failures in MLLM-as-a-Judge Under Cultural Ambiguity [43.23157850664282]
VOIR DIREは、米国と中国本土にまたがる、626の文化的にペアリングされたイメージプロンプトアーティファクトのマルチモーダルベンチマークである。
6つのMLLMにまたがって、バイアスは2つの障害に分解される。
本稿では,各参照プールに対して個別にアライメントを報告することを推奨する。
論文 参考訳（メタデータ） (2026-06-12T15:53:40Z) - Draw2Think: Harnessing Geometry Reasoning through Constraint Engine Interaction [59.47026381165585]
視覚言語モデルは精度を上げて幾何学的問題を解くが、その中間状態は潜伏し、検証できないままである。
我々は,GeoGebra制約エンジンとのエージェント相互作用に潜時空間推論から幾何推論を再キャストするフレームワークDraw2Thinkを提案する。
論文 参考訳（メタデータ） (2026-05-20T05:46:14Z)
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。