論文の概要: VILLAIN at AVerImaTeC: Verifying Image-Text Claims via Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2602.04587v1
• Date: Wed, 04 Feb 2026 14:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.566361
• Title: VILLAIN at AVerImaTeC: Verifying Image-Text Claims via Multi-Agent Collaboration
• Title（参考訳）: VILLAIN at AVerImaTeC: Multi-Agent Collaboration による画像テキストクレームの検証
• Authors: Jaeyoon Jung, Yejun Yoon, Seunghyun Yoon, Kunwoo Park,
• Abstract要約: VILLAINは画像テキストのクレームを検証するマルチモーダルなファクトチェックシステムである。 私たちのシステムは、すべての評価指標でトップボードにランクインしました。
• 参考スコア（独自算出の注目度）: 10.712719361607753
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper describes VILLAIN, a multimodal fact-checking system that verifies image-text claims through prompt-based multi-agent collaboration. For the AVerImaTeC shared task, VILLAIN employs vision-language model agents across multiple stages of fact-checking. Textual and visual evidence is retrieved from the knowledge store enriched through additional web collection. To identify key information and address inconsistencies among evidence items, modality-specific and cross-modal agents generate analysis reports. In the subsequent stage, question-answer pairs are produced based on these reports. Finally, the Verdict Prediction agent produces the verification outcome based on the image-text claim and the generated question-answer pairs. Our system ranked first on the leaderboard across all evaluation metrics. The source code is publicly available at https://github.com/ssu-humane/VILLAIN.
• Abstract（参考訳）: 本稿では,マルチモーダルなファクトチェックシステムであるVILLAINについて述べる。 AVerImaTeC共有タスクでは、VILLAINはファクトチェックの複数の段階にわたって視覚言語モデルエージェントを使用している。 テキストおよび視覚的証拠は、追加のWebコレクションによって強化された知識ストアから検索される。 証拠項目のキー情報とアドレスの不整合を識別するために、モダリティ特化剤及びクロスモーダルエージェントが解析レポートを生成する。 その後の段階では、これらの報告に基づいて質問応答ペアが生成される。 最後に、検証予測エージェントは、画像テキストクレームと生成された質問応答ペアに基づいて検証結果を生成する。 私たちのシステムは、すべての評価指標でトップボードにランクインしました。 ソースコードはhttps://github.com/ssu-humane/VILLAINで公開されている。

関連論文リスト

• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• MAVIS: A Benchmark for Multimodal Source Attribution in Long-form Visual Question Answering [44.41273615523289]
  マルチモーダルソース属性システムを評価するための最初のベンチマークであるMAVISを紹介する。 我々のデータセットは157Kの視覚的QAインスタンスで構成されており、各回答にはマルチモーダル文書を参照したファクトレベルの引用が注釈付けされている。 本研究では,情報性,接地性,流感の3次元に沿って細粒度自動測定値を作成し,人間の判断と強い相関関係を示す。
  論文  参考訳（メタデータ） (2025-11-15T10:14:59Z)
• UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
  マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。 実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-04T04:30:13Z)
• CMRAG: Co-modality-based visual document retrieval and question answering [21.016544020685668]
  共同モダリティベースのRAG(RAG)フレームワークは、テキストや画像を利用してより正確な検索と生成を行うことができる。 我々のフレームワークは、複数のビジュアル文書質問応答(VDQA)ベンチマークにおいて、単一モダリティベースのRAGを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-02T09:17:57Z)
• Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering [60.062194349648195]
  Document Visual Question Answering (DocVQA)は、長いマルチモーダル文書の処理において2つの課題に直面している。 現在の文書検索拡張生成法(DocRAG)はテキスト中心のアプローチによって制限されている。 MMDocRAGは,多ページのクロスモーダルエビデンスチェーンを持つ4,055のエキスパートアノテーション付きQAペアを特徴とする総合ベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T09:52:57Z)
• MDocAgent: A Multi-Modal Multi-Agent Framework for Document Understanding [40.52017994491893]
  MDocAgentは、テキストとイメージの両方を活用する新しいRAGおよびマルチエージェントフレームワークである。 本システムでは, 汎用エージェント, クリティカルエージェント, テキストエージェント, 画像エージェント, 要約エージェントの5種類の特殊エージェントを用いる。 5つのベンチマークの予備実験では、MDocAgentの有効性が示され、平均12.1%の改善が達成された。
  論文  参考訳（メタデータ） (2025-03-18T06:57:21Z)
• VISA: Retrieval Augmented Generation with Visual Source Attribution [100.78278689901593]
  RAGの既存のアプローチは主に生成されたコンテンツをドキュメントレベルの参照にリンクする。 本稿では,視覚的ソース属性と解答生成を組み合わせた新しい手法として,視覚的ソース属性を用いた検索補助生成(VISA)を提案する。 本手法の有効性を評価するため,ウィキペディアのWebページスクリーンショットをクロールしたWiki-VISAとPubLayNetから派生したPaper-VISAの2つのデータセットを作成した。
  論文  参考訳（メタデータ） (2024-12-19T02:17:35Z)
• VisDoM: Multi-Document QA with Visually Rich Elements Using Multimodal Retrieval-Augmented Generation [100.06122876025063]
  本稿では,マルチドキュメント設定でQAシステムを評価するために設計された,初の総合ベンチマークであるVisDoMBenchを紹介する。 視覚とテキストのRAGを同時に利用する新しいマルチモーダル検索拡張生成(RAG)手法であるVisDoMRAGを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:24:55Z)
• IMCI: Integrate Multi-view Contextual Information for Fact Extraction and Verification [19.764122035213067]
  我々は,事実抽出と検証のために,多視点文脈情報(IMCI)を統合することを提案する。 FEVER 1.0共有タスクの実験結果から,IMCIフレームワークは事実抽出と検証の両面で大きな進歩を示している。
  論文  参考訳（メタデータ） (2022-08-30T05:57:34Z)

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。