論文の概要: COMBS: Concealed Object Multi-modal Bayesian Search
- arxiv url: http://arxiv.org/abs/2611.15964v1
- Date: Wed, 11 Nov 2026 20:05:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.266753
- Title: COMBS: Concealed Object Multi-modal Bayesian Search
- Title(参考訳): COMBS:マルチモーダルベイズ探索
- Abstract要約: 本研究は,マルチモーダルな先行する部分観測可能な環境に対する形式を統一することにより,環境中の隠蔽対象を見つける問題に対処する。
そこで本稿では,両対象位置における不確実性やノードの隠蔽が可能なベイズ適応環境である混合可観測 MDP (CA-MOMDP) を提案する。
また、オブジェクト位置に対する信念を初期化するために、人間情報セマンティックネットワーク(LLM)とVLMのマルチモーダル融合(COMBSスコア)を提案する。
- 参考スコア(独自算出の注目度): 2.6478136610650926
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This work addresses the problem of finding a concealed object in an environment by unifying formalisms for partially observable environments with multi-modal priors drawn from a mix of ontologies, semantic networks, LLMs, and VLMs. We propose a concealment-adaptive mixed-observability MDP (CA-MOMDP), a Bayes-adaptive setting where uncertainty is over both object locations and which nodes can conceal them, held as a hypothesis with a bounded ontology prior and resolved only by interaction. We define a hierarchical transition system (HTS) to abstract the environment into room and object nodes that can be planned over via our CA-MOMDP. We further propose a COMBS-score: a multi-modal fusion of a human informed semantic network, LLM, and VLM, to initialize the belief over object locations, which grounds our abstractions and reduces reliance on a single model. Belief is maintained via Bayes' rule, which never lets a look rule out a closed container. We prove a present target is found in a bounded number of searches under exact perception and that its location is never ruled out given missed detection under noisy perception. We ablate each component to demonstrate their significance. Across five simulator configurations, from a gridworld to Matterport3D with a real detector, COMBS finds 92-100% of in-distribution and 92-100% of out-of-distribution targets, matches or beats the baselines in processing speed, significantly outperforms a per-step LLM policy at lower cost on the larger scenes, recovers more out-of-distribution placements than a TidyBot ranking, and matches an LLM-only prior at a fraction of its per-decision latency. COMBS is the only standalone method that can declare a target absent at a stated error level, and the per-step LLM policy offered a termination action abandons 12-22% of targets that were present, against 1.6-3.2% for COMBS on the same episodes.
- Abstract(参考訳): 本研究は, オントロジー, セマンティックネットワーク, LLM, VLMの混在から引き出されたマルチモーダル先行環境を, 部分的に観測可能な環境に統一することで, 環境中に隠蔽対象を見つけるという問題に対処する。
本研究では,2つの対象位置に不確実性があり,どのノードがそれを隠すことができるかというベイズ適応設定を,先行した有界オントロジーの仮説として保持し,相互作用によってのみ解決する,隠蔽適応型混合可観測 MDP (CA-MOMDP) を提案する。
階層的遷移システム(HTS)を定義し、環境をCA-MOMDPを介して計画できる部屋ノードとオブジェクトノードに抽象化する。
さらに,人間の情報的セマンティックネットワーク LLM と VLM をマルチモーダル融合した COMBS スコアを提案する。
信念はベイズの規則によって維持され、クローズドコンテナを決して除外することができない。
正確な知覚下では,現在ターゲットが有界な探索数で検出されており,ノイズ知覚下では検出が遅れた場合には,その位置が除外されないことが証明された。
それぞれのコンポーネントをアブレーションして、その重要性を示します。
グリッドワールドから実際の検出器によるMatterport3Dまでの5つのシミュレータ構成において、COMBSはディストリビューションの92-100%とアウト・オブ・ディストリビューションのターゲットの92-100%、処理速度におけるベースラインの一致または打ち負かし、ステップごとのLCMポリシーをより低コストで大幅に上回り、TidyBotランキングよりもアウト・オブ・ディストリビューションの配置を回復し、決定レイテンシのごく一部でLSMのみにマッチする。
COMBSは、指定されたエラーレベルでターゲットが欠落していると宣言できる唯一のスタンドアロンの方法であり、ステップごとのLCMポリシーでは、同じエピソードにおけるCOMBSの1.6-3.2%に対して、存在していたターゲットの12-22%を放棄した。
関連論文リスト
- Visual Causal-chain Bookmarking: Retrieval-Weighted Credit Assignment for Reinforcement Learning from Delayed Reward [0.0]
本稿では視覚因果連鎖ブックマーク(VCBM)について検討する。
エピソードのリターンを決定する決定ポイントに、2つのインスタンス化を通じてクレジットを集中させる。
論文 参考訳(メタデータ) (2026-10-16T09:27:19Z) - Local Sparsity Enables Unsupervised LLM Safety Detection [72.36186449615774]
大規模言語モデル(LLM)のデプロイ時の安全性メソッドは、主に教師付きであり、安全でないトレーニングデータへのアクセスを前提としている。
新たな攻撃や危害のカテゴリーは定期的に発生し、そのような教師付き方式で訓練されたモデルでは捕捉されない。
本稿では,理論的正当性に支えられた局所的なSAEによる異常検出のための枠組みを提案する。
論文 参考訳(メタデータ) (2026-09-17T12:23:04Z) - DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。
DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。
DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
論文 参考訳(メタデータ) (2026-09-16T14:57:11Z) - LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。
深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。
深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。
これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
論文 参考訳(メタデータ) (2026-07-06T02:15:09Z) - Abstention-Aware Personalized Object Rearrangement via Uncertainty-Guided LLM Assistance [4.769747792846005]
APOLLOは、保持を意識したパーソナライズされたオブジェクト再構成のためのハイブリッドフレームワークである。
軽量でパーソナライズされた埋め込みモデル(PEM)と、選択型大規模言語モデル(LLM)のアシストを組み合わせる。
論文 参考訳(メタデータ) (2026-06-15T21:26:48Z) - Beyond the Cartesian Illusion: Testing Two-Stage Multi-Modal Theory of Mind under Perceptual Bottlenecks [16.03812136589077]
アンカー型空間分解鎖(CoT)について紹介する。
CoTはMLLMを「幾何学的から意味論的」な投影を通して誘導し、まずはBの局所座標系を確立し、次にAがBの視覚フラストラムに該当するかどうかに基づいて、動的に視覚的および聴覚的モダリティを重み付けする。
論文 参考訳(メタデータ) (2026-05-18T10:32:56Z) - PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。
PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
論文 参考訳(メタデータ) (2026-05-12T04:59:47Z) - On the Reliability Limits of LLM-Based Multi-Agent Planning [19.02132233132541]
本技術は, LLMに基づくマルチエージェント計画の信頼性限界を委譲決定問題として検討する。
LLMに基づくマルチエージェントアーキテクチャを有限非巡回決定ネットワークとしてモデル化し、複数のプロセスがモデルコンテキスト情報を共有する。
新しい信号がなければ、任意の委任されたネットワークは決定論的に、同じ情報にアクセス可能な集中型ベイズ意思決定者によって支配されていることを示す。
論文 参考訳(メタデータ) (2026-03-27T21:07:42Z) - Bootstrapping MLLM for Weakly-Supervised Class-Agnostic Object Counting [59.37613121962146]
本稿では,クラスに依存しないオブジェクトカウントのためのMLLM駆動型弱教師付きフレームワークWS-COCを提案する。
WS-COCは、多くの最先端の完全に管理されたメソッドと一致し、また、アノテーションのコストを大幅に削減します。
論文 参考訳(メタデータ) (2026-02-13T09:58:35Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z)
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。