Apple ML Researchは2026年7月(現地時間)、インスタンスレベルのビジョンタスクにおけるエラーのスライス発見のための新しいフレームワーク「GH-ESD (Grounded Hypothesis-Driven Error Slice Discovery)」を発表した。このフレームワークは、文脈的関係性や空間的に根ざした視覚パターンに起因するモデルの系統的な失敗を特定することを目的とする。
GH-ESDは、エラーのスライス発見を、グラウンデッドな仮説生成と統計的検証として再定義する生成・検証フレームワークである。LLM（大規模言語モデル）の事前知識とグラウンデッドな視覚的証拠を用いて関係性のある失敗仮説を構築し、Vision Language Modelsを通じてインスタンスレベルで仮説スライスを発見する。その後、インスタンスレベルのエラーに対する統計的傾向分析を通じてこれらのスライスを検証する。
同時に、インスタンスレベルのエラーのスライス発見のための新しいベンチマークであるGESD (Grounded Error Slice Dataset) も導入された。GESDは、検出およびセグメンテーションの失敗から導出された、専門家定義の空間的にグラウンデッドなスライスを提供する。
広範な実験では、GH-ESDがベースラインを上回る性能を示し、検出タスクにおけるGESDベンチマークでPrecision@10が0.73となり、ベースラインの0.63から0.10改善された。GH-ESDはセグメンテーションシナリオもサポートし、実用的なモデル改善に役立つ解釈可能なスライスを特定する。
参考: Apple ML Research (アーカイブ) — 2026年7月27日 09:00 (JST)
原文ハイライト"Grounded Hypothesis-Driven Error Slice Discovery"