## 要約：
新しいフレームワークは、部分情報分解を使用して多模态モデル内の各モダリティの独立した、冗長で、相互作用の成分を分解し、インプットと出力間の関係性に基づく指標より明確な洞察を提供する。
---
## 翻訳：
マルチモーダルモデル内での各モダリティの貢献量を定量化する課題が残されていました。既存のアプローチは、貢献という概念自体を混同しており、精度に基づいた方法により、モダリティを削除したときにパフォーマンスが低下することを指標としています。しかし、このような結果指向の指標は、モダリティが固有に情報的であるかそれとも他のモダリティとの相互作用によって価値があるか区別することができません。特にクロス注意アーキテクチャでは重要で、各モダリティが互いの表現に影響を与え合います。本研究では、内部埋め込み内の予測情報を独立した、冗長な、そして協働的な成分に分解することでモダリティの貢献量を定量化するフレームワークとアルゴリズムを開発しました。これにより、再トレーニングなしで層レベルとデータセットレベルでの貢献を計算し、スケーラブルな推論のみの分析が可能になります。これは、多模态行動の原理に基づいた表現レベルの視点を提供します。これにより、結果指向の指標よりも明瞭で説明可能な洞察を得られます。
[📰 原文はこちら](https://arxiv.org/abs/2511.19470)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
