なぜその結果になったのか？推論根拠を説明できるマルチモーダルXAI技術を確立

NTT株式会社は、画像と言語を扱うマルチモーダルAI基盤モデルによる出力の信頼性を高める新たな推論の仕組みとして「根拠強化デコーディング」技術を確立しました。本技術は、LVLMがCoTを行う際、自身で生成した推論根拠を無視する傾向があるという課題に対して、通常の推論とは異なり、画像による推論と根拠による推論を分割しそれらを重みづけて組み合わせました。これにより、画像と根拠の双方から得られる情報を忠実に活用して回答を出力することを可能にしました。本成果は、2026年6月3日から2026年6月7日まで、米国・デンバーで開催されるコンピュータビジョン分野における最難関国際会議 Computer Vision and Pattern Recognition (CVPR) 2026において発表されます。背景として、近年LVLMの開発が進み、高度なマルチモーダル推論が可能となっていますが、既存のCoTメカニズムは根拠の使用をモデル任せにしており、根拠と最終出力の一貫性が保証されていませんでした。本研究では、追加学習を必要としないプラグアンドプレイ型の推論時デコーディング技術を確立し、LVLMの推論過程に解釈性を与えることに成功しました。これにより、医療画像診断や意思決定支援など、より確実で信頼性の高い推論システムが求められる分野への社会実装が加速することが期待されます。