ترجمه فارسی مقاله نمونه گیری موازی از طریق شمارش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Reefknot: A Comprehensive Benchmark for Relation Hallucination Evaluation, Analysis and Mitigation in Multimodal Large Language Models
عنوان مقاله به فارسی نمونه گیری موازی از طریق شمارش
نویسندگان Kening Zheng, Junkai Chen, Yibo Yan, Xin Zou, Xuming Hu
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computation and Language,Computer Vision and Pattern Recognition,یادگیری ماشین , محاسبات و زبان , چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 18 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 18 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Hallucination issues persistently plagued current multimodal large language models (MLLMs). While existing research primarily focuses on object-level or attribute-level hallucinations, sidelining the more sophisticated relation hallucinations that necessitate advanced reasoning abilities from MLLMs. Besides, recent benchmarks regarding relation hallucinations lack in-depth evaluation and effective mitigation. Moreover, their datasets are typically derived from a systematic annotation process, which could introduce inherent biases due to the predefined process. To handle the aforementioned challenges, we introduce Reefknot, a comprehensive benchmark specifically targeting relation hallucinations, consisting of over 20,000 samples derived from real-world scenarios. Specifically, we first provide a systematic definition of relation hallucinations, integrating perspectives from perceptive and cognitive domains. Furthermore, we construct the relation-based corpus utilizing the representative scene graph dataset Visual Genome (VG), from which semantic triplets follow real-world distributions. Our comparative evaluation across three distinct tasks revealed a substantial shortcoming in the capabilities of current MLLMs to mitigate relation hallucinations. Finally, we advance a novel confidence-based mitigation strategy tailored to tackle the relation hallucinations problem. Across three datasets, including Reefknot, we observed an average reduction of 9.75% in the hallucination rate. We believe our paper sheds valuable insights into achieving trustworthy multimodal intelligence. Our dataset and code will be released upon paper acceptance.

چکیده به فارسی (ترجمه ماشینی)

مسائل توهم به طور مداوم مدلهای زبان بزرگ چند مدلی فعلی (MLLMS) را گرفتار می کند.در حالی که تحقیقات موجود در درجه اول بر توهم در سطح شیء یا ویژگی ها متمرکز است ، و توهمات روابط پیشرفته تری را که نیاز به توانایی های استدلال پیشرفته از MLLM ها دارند ، کنار می گذارد.علاوه بر این ، معیارهای اخیر در مورد توهم رابطه فاقد ارزیابی عمیق و کاهش مؤثر است.علاوه بر این ، مجموعه داده های آنها به طور معمول از یک فرآیند حاشیه نویسی سیستماتیک حاصل می شود ، که می تواند به دلیل فرآیند از پیش تعریف شده ، تعصبات ذاتی را معرفی کند.برای رسیدگی به چالش های فوق الذکر ، Reefknot را معرفی می کنیم ، یک معیار جامع که به طور خاص توهم رابطه را هدف قرار می دهد ، متشکل از بیش از 20،000 نمونه حاصل از سناریوهای دنیای واقعی.به طور خاص ، ما ابتدا یک تعریف سیستماتیک از توهم رابطه ارائه می دهیم ، و دیدگاه ها را از حوزه های ادراکی و شناختی ادغام می کنیم.علاوه بر این ، ما با استفاده از ژنوم بصری مجموعه داده های نمودار صحنه (VG) ، که از آن استفاده می کند ، از طریق روابط مبتنی بر نمودار نمایشگاه ، که از آن سه گانه معنایی از توزیع های دنیای واقعی پیروی می کنیم ، می سازیم.ارزیابی مقایسه ای ما در سه کار مجزا ، کمبود قابل توجهی در قابلیت های MLLM های فعلی برای کاهش توهم رابطه نشان داد.سرانجام ، ما یک استراتژی جدید برای کاهش اعتماد به نفس متناسب با مشکل توهم رابطه را پیش می بریم.در سه مجموعه داده ، از جمله Reefknot ، ما کاهش متوسط ​​9.75 ٪ در میزان توهم را مشاهده کردیم.ما معتقدیم که مقاله ما بینش ارزشمندی را در مورد دستیابی به هوش چند مدلی قابل اعتماد نشان می دهد.مجموعه داده ها و کد ما با پذیرش کاغذ منتشر می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.