論文の概要: MAD-Sherlock: Multi-Agent Debates for Out-of-Context Misinformation Detection

• arxiv url: http://arxiv.org/abs/2410.20140v1
• Date: Sat, 26 Oct 2024 10:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:23:01.618043
• Title: MAD-Sherlock: Multi-Agent Debates for Out-of-Context Misinformation Detection
• Title（参考訳）: MAD-Sherlock:コンテキスト外誤情報検出のためのマルチエージェント議論
• Authors: Kumud Lakara, Juil Sock, Christian Rupprecht, Philip Torr, John Collomosse, Christian Schroeder de Witt,
• Abstract要約: 誤解を招くテキストと組み合わせた画像のアウト・オブ・コンテクスト(OOC)の使用は、偽の物語を生み出す。 既存のAI駆動検出システムは説明性がなく、高価な微調整を必要とする。 我々は,OOC誤報検出のためのマルチエージェント・ディベートシステムMAD-Sherlockを紹介する。 我々のフレームワークは、ドメイン固有の微調整なしでも、最先端の精度で説明可能な検出を可能にする。
• 参考スコア（独自算出の注目度）: 25.2179383241339
• License:
• Abstract: One of the most challenging forms of misinformation involves the out-of-context (OOC) use of images paired with misleading text, creating false narratives. Existing AI-driven detection systems lack explainability and require expensive fine-tuning. We address these issues with MAD-Sherlock: a Multi-Agent Debate system for OOC Misinformation Detection. MAD-Sherlock introduces a novel multi-agent debate framework where multimodal agents collaborate to assess contextual consistency and request external information to enhance cross-context reasoning and decision-making. Our framework enables explainable detection with state-of-the-art accuracy even without domain-specific fine-tuning. Extensive ablation studies confirm that external retrieval significantly improves detection accuracy, and user studies demonstrate that MAD-Sherlock boosts performance for both experts and non-experts. These results position MAD-Sherlock as a powerful tool for autonomous and citizen intelligence applications.
• Abstract（参考訳）: 誤報の最も困難な形態の1つは、誤解を招くテキストと組み合わせた画像のアウト・オブ・コンテクスト(OOC)の使用であり、偽の物語を生み出すことである。 既存のAI駆動検出システムは説明性がなく、高価な微調整を必要とする。 我々はこれらの問題をMAD-Sherlock: a Multi-Agent Debate system for OOC Misinformation Detectionで解決する。 MAD-Sherlockは、マルチモーダルエージェントがコンテキスト整合性を評価し、外部情報を要求し、コンテキスト間の推論と意思決定を強化する、新しいマルチエージェント討論フレームワークを導入した。 我々のフレームワークは、ドメイン固有の微調整なしでも、最先端の精度で説明可能な検出を可能にする。 広範囲にわたるアブレーション研究は、外部検索が検出精度を大幅に向上することを確認し、MAD-Sherlockは専門家と非専門家の両方のパフォーマンスを向上することを示した。 これらの結果は、MAD-Sherlockを自律および市民インテリジェンスアプリケーションのための強力なツールとして位置づけている。

関連論文リスト

• CRAT: A Multi-Agent Framework for Causality-Enhanced Reflective and Retrieval-Augmented Translation with Large Language Models [59.8529196670565]
  CRATは、RAGと因果強化自己回帰を利用して翻訳課題に対処する、新しいマルチエージェント翻訳フレームワークである。 以上の結果からCRATは翻訳精度を著しく向上させ,特に文脈に敏感な単語や語彙の出現に寄与することが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T14:29:11Z)
• Audit-LLM: Multi-Agent Collaboration for Log-based Insider Threat Detection [16.154903877808795]
  Audit-LLMは3つの協調エージェントからなるマルチエージェントログベースのインサイダー脅威検出フレームワークである。 本稿では,2つの独立実行者が推論交換を通じて結論を反復的に洗練し,合意に達するための,ペアワイズ・エビデンスに基づくマルチエージェント・ディベート(EMAD)機構を提案する。
  論文  参考訳（メタデータ） (2024-08-12T11:33:45Z)
• MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains [54.117238759317004]
  大規模マルチタスクエージェント理解(MMAU)ベンチマークは、複雑な環境設定を必要としない包括的なオフラインタスクを特徴としている。 ツールユース、DAG(Directed Acyclic Graph)QA、データサイエンスと機械学習コーディング、コンテストレベルのプログラミング、数学の5分野にわたるモデルを評価する。 3K以上の異なるプロンプトを含む20の精巧に設計されたタスクにより、MMAUはLLMエージェントの強度と限界を評価するための包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-07-18T00:58:41Z)
• RAG-based Crowdsourcing Task Decomposition via Masked Contrastive Learning with Prompts [21.69333828191263]
  本稿では、自然言語理解の観点からタスク分解(TD)をイベント検出として再認識する、検索強化世代ベースのクラウドソーシングフレームワークを提案する。 本稿では,TD (PBCT) のための Prompt-based Contrastive Learning framework を提案する。 実験結果は,教師付きおよびゼロショット検出における本手法の競合性を実証した。
  論文  参考訳（メタデータ） (2024-06-04T08:34:19Z)
• Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
  視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。 我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。 提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
  論文  参考訳（メタデータ） (2024-04-24T17:59:48Z)
• SNIFFER: Multimodal Large Language Model for Explainable Out-of-Context Misinformation Detection [18.356648843815627]
  アウト・オブ・コンテクスト(OOC)の誤報は、聴衆を誤解させる最も簡単かつ効果的な方法の1つである。 現在の手法は、画像テキストの一貫性を評価することに重点を置いているが、その判断には説得力のある説明が欠けている。 我々は、OOC誤情報検出と説明のために特別に設計された、新しいマルチモーダルな大規模言語モデルであるSNIFFERを紹介する。
  論文  参考訳（メタデータ） (2024-03-05T18:04:59Z)
• Learning to Break: Knowledge-Enhanced Reasoning in Multi-Agent Debate System [16.830182915504555]
  マルチエージェント討論システム(MAD)は、真理を追求する人間の議論の過程を模倣する。 様々なエージェントが、限られた知識の背景から、適切に、高度に一貫した認知をさせることは困難である。 本稿では,Underline Knowledge-underlineEnhanced frameworkを用いたUnderlineMulti-underlineAgent UnderlineDebateを提案する。
  論文  参考訳（メタデータ） (2023-12-08T06:22:12Z)
• From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
  Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。 本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。 実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
  論文  参考訳（メタデータ） (2023-10-22T16:07:06Z)
• Exploiting Modality-Specific Features For Multi-Modal Manipulation Detection And Grounding [54.49214267905562]
  マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。 本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。 本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T06:55:41Z)
• Building Interpretable and Reliable Open Information Retriever for New Domains Overnight [67.03842581848299]
  情報検索は、オープンドメイン質問応答(QA)など、多くのダウンストリームタスクにとって重要な要素である。 本稿では、エンティティ/イベントリンクモデルとクエリ分解モデルを用いて、クエリの異なる情報単位により正確にフォーカスする情報検索パイプラインを提案する。 より解釈可能で信頼性が高いが,提案したパイプラインは,5つのIRおよびQAベンチマークにおける通過カバレッジと記述精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-09T07:47:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。