論文の概要: DecepGPT: Schema-Driven Deception Detection with Multicultural Datasets and Robust Multimodal Learning

• arxiv url: http://arxiv.org/abs/2603.23916v1
• Date: Wed, 25 Mar 2026 04:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.121855
• Title: DecepGPT: Schema-Driven Deception Detection with Multicultural Datasets and Robust Multimodal Learning
• Title（参考訳）: DecepGPT:マルチカルチャーデータセットとロバストなマルチモーダル学習を用いたスキーマ駆動型誤認検出
• Authors: Jiajian Huang, Dongliang Zhu, Zitong YU, Hui Ma, Jiayu Zhang, Chunmei Zhu, Xiaochun Cao,
• Abstract要約: マルチモーダル偽装検出は、法医学とセキュリティのための聴覚的手がかりを解析することにより、偽装行動を特定することを目的としている。 既存のベンチマークでは、中間的な推論手段を使わずにバイナリラベルのみを提供する。 構造的キューレベルの記述と推論チェーンを用いた推論データセットを構築した。 1695年のサンプルでは、非実験的偽装検出データセットとしては最大である。
• 参考スコア（独自算出の注目度）: 64.33887406863899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal deception detection aims to identify deceptive behavior by analyzing audiovisual cues for forensics and security. In these high-stakes settings, investigators need verifiable evidence connecting audiovisual cues to final decisions, along with reliable generalization across domains and cultural contexts. However, existing benchmarks provide only binary labels without intermediate reasoning cues. Datasets are also small with limited scenario coverage, leading to shortcut learning. We address these issues through three contributions. First, we construct reasoning datasets by augmenting existing benchmarks with structured cue-level descriptions and reasoning chains, enabling model output auditable reports. Second, we release T4-Deception, a multicultural dataset based on the unified ``To Tell The Truth'' television format implemented across four countries. With 1695 samples, it is the largest non-laboratory deception detection dataset. Third, we propose two modules for robust learning under small-data conditions. Stabilized Individuality-Commonality Synergy (SICS) refines multimodal representations by synergizing learnable global priors with sample-adaptive residuals, followed by a polarity-aware adjustment that bi-directionally recalibrates representations. Distilled Modality Consistency (DMC) aligns modality-specific predictions with the fused multimodal predictions via knowledge distillation to prevent unimodal shortcut learning. Experiments on three established benchmarks and our novel dataset demonstrate that our method achieves state-of-the-art performance in both in-domain and cross-domain scenarios, while exhibiting superior transferability across diverse cultural contexts. The datasets and codes will be released.
• Abstract（参考訳）: マルチモーダル偽装検出は、法医学とセキュリティのための聴覚的手がかりを解析することにより、偽装行動を特定することを目的としている。 これらの高精細な環境では、調査員は、オーディオ視覚的手がかりと最終決定を結び、ドメインと文化の文脈をまたいだ信頼性の高い一般化と、検証可能な証拠が必要である。 しかし、既存のベンチマークは中間的推論手段なしでバイナリラベルのみを提供する。 データセットも小さく、シナリオカバレッジが制限されているため、ショートカット学習につながります。 これらの問題に3つのコントリビューションを通じて対処する。 まず、構造化キューレベルの記述と推論チェーンで既存のベンチマークを拡張して推論データセットを構築し、モデル出力の監査可能なレポートを可能にする。 第2に,4カ国にまたがる「真実を伝える」テレビフォーマットに基づく多文化データセットであるT4-Deceptionをリリースする。 1695年のサンプルでは、非実験的偽装検出データセットとしては最大である。 第3に、小規模データ条件下での堅牢な学習のための2つのモジュールを提案する。 安定化されたパーソナリティ・コモンナリティ・シナジー(SICS)は、学習可能なグローバル事前とサンプル適応残差を相乗化することでマルチモーダル表現を洗練し、続いて、双方向で表現を再分類する極性対応調整を行う。 DMC (Distilled Modality Consistency) は、モダリティ固有の予測を知識蒸留による融合マルチモーダル予測と整合させ、一助的ショートカット学習を防ぐ。 3つの確立されたベンチマークと新しいデータセットによる実験により,本手法はドメイン内シナリオとドメイン間シナリオの両方において最先端のパフォーマンスを実現し,多様な文化的文脈において優れた転送性を示す。 データセットとコードはリリースされる。

関連論文リスト

• DMCD: Semantic-Statistical Framework for Causal Discovery [0.03499870393443267]
  DMCDは,変数メタデータからのセマンティックな草案作成と,観測データに対する統計的検証を統合した因果発見フレームワークである。 我々は,産業工学,環境モニタリング,ITシステム分析を対象とする,メタデータに富んだ実世界の3つのベンチマークに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-02-23T20:29:35Z)
• A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。 既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。 本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:39:50Z)
• METER: Multi-modal Evidence-based Thinking and Explainable Reasoning -- Algorithm and Benchmark [48.78602579128459]
  本稿では,画像,ビデオ,音声,映像コンテンツにまたがる偽造検出のための統合ベンチマークMETERを紹介する。 我々のデータセットは4つのトラックから構成されており、それぞれのトラックは実際のvsフェイク分類だけでなく、エビデンスチェーンに基づく説明も必要である。
  論文  参考訳（メタデータ） (2025-07-22T03:42:51Z)
• MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
  MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。 MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-06-29T06:41:00Z)
• Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
  Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。 マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。 ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:50Z)

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。