|
本研究では，マルチモーダル大規模言語モデルの応用研究を推進する．静止画や動画像を対象とするマルチモーダル大規模言語モデルは，視覚障害者支援において有望な解決策の一つと位置付けられる．一方，既存手法においては，複数枚の画像を入力した際に計算量が肥大化する問題や，画像に存在しない内容を誤って認識・記述するハルシネーションの問題が指摘されている．そこで，本研究では，ハルシネーションを判別可能な自動評価尺度を構築するとともに，グラフ構造に基づいてハルシネーションが低減されたマルチモーダル大規模言語モデルの開発を目指す．
|
