論文の概要: From Static Analysis to Audience Dissemination: A Training-Free Multimodal Controversy Detection Multi-Agent Framework

• arxiv url: http://arxiv.org/abs/2605.02939v1
• Date: Fri, 01 May 2026 07:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.518844
• Title: From Static Analysis to Audience Dissemination: A Training-Free Multimodal Controversy Detection Multi-Agent Framework
• Title（参考訳）: 静的分析からオーディエンス拡散へ:訓練不要なマルチモーダル論争検出マルチエージェントフレームワーク
• Authors: Zihan Ding, Ziyuan Yang, Yi Zhang,
• Abstract要約: マルチモーダル論争検出(MCD)は、ビデオとその関連ユーザコメントにおける議論の的になっているコンテンツを識別する。 我々は,MCDを動的伝播過程として再構成するトレーニングフリーマルチエージェントフレームワークであるAuDisAgentを提案する。 我々のフレームワークは、構造化マルチエージェントシステムによるオーディエンスの普及を明示的にモデル化する。
• 参考スコア（独自算出の注目度）: 15.75893945500019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal controversy detection (MCD) identifies controversial content in videos and their associated user comments, to support risk management for social video platforms.Prior research frames MCD as a static representation learning task, where features are directly extracted from videos and their accompanying comments. However, these methods fail to capture the diverse perspectives and evaluations from different audience groups. Inspired by the real-world process of content dissemination among audiences, we propose AuDisAgent, a training-free multi-agent framework that reformulates MCD as a dynamic propagation process.Our framework explicitly models audience dissemination through a structured multi-agent system. First, three specialized Screening Agents (Video Agent, Comment Agent, and Interaction Agent) conduct initial assessments from visual, textual, and cross-modal perspectives, respectively. For samples where the three agents cannot reach a consensus, a Viewing Panel Agent is activated to simulate post-screening discussions among audiences with diverse backgrounds and stances. This mechanism models how different audience groups interpret and react to the same content, uncovering latent controversial content that may emerge during the dissemination process. Finally, an Arbitration Agent renders the final judgment based on the complete reasoning chain from the preceding steps.In addition, to address the "cold-start" scenario where newly released videos have few or no comments, we design a Comment Bootstrapping Strategy that leverages historical public comments from semantically similar videos as the initial comment context. Extensive experiments on a public dataset demonstrate that our framework significantly outperforms existing state-of-the-art (SOTA) methods in both rich-comment and limited-comment scenarios.
• Abstract（参考訳）: マルチモーダル論争検出 (MCD) は, ソーシャルビデオプラットフォームにおけるリスク管理を支援するために, ビデオ中の議論を巻き起こすコンテンツとユーザコメントを識別する。 しかし,これらの手法は,異なるオーディエンスグループからの多様な視点や評価を捉えるには至らなかった。 本研究では,MCDを動的伝播プロセスとして再構成したトレーニングフリーなマルチエージェントフレームワークであるAuDisAgentを提案する。 まず,ビデオエージェント,コメントエージェント,インタラクションエージェントの3つの専門的なスクリーニングエージェントが,視覚的,テキスト的,横断的な視点からの初期評価を行う。 3人のエージェントがコンセンサスに到達できないサンプルでは、ビューイングパネルエージェントが起動され、さまざまなバックグラウンドやスタンスを持つオーディエンス間のポストスクリーニングの議論をシミュレートする。 このメカニズムは、異なるオーディエンスグループが同じコンテンツを解釈し、反応する方法をモデル化する。 最後に、アビディレーションエージェントは、前段からの完全な推論連鎖に基づいて最終判断を下すとともに、新たにリリースされたビデオにコメントがほとんど、あるいは全くない「コールドスタート」シナリオに対処するため、最初のコメントコンテキストとして意味的に類似したビデオから歴史的な公開コメントを活用するコメントブートストラップ戦略を設計する。 公開データセットでの大規模な実験により、我々のフレームワークはリッチ・コンメンテーションとリミテッド・コンメンメントの両方のシナリオにおいて既存の最先端(SOTA)メソッドを著しく上回ります。

関連論文リスト

• DVAR: Adversarial Multi-Agent Debate for Video Authenticity Detection [32.91820764165758]
  本稿では,ビデオ検出を構造化されたマルチエージェント法定推論プロセスとして再構成する学習自由フレームワークを提案する。 我々はオッカムの『ラザー』を用いて説明コストを定義し、各推論経路の「論理的負担」を定量化する。 我々は、生成境界と障害モードに関する高レベルな推論を提供する動的知識リポジトリであるGenVideoKBを統合する。
  論文  参考訳（メタデータ） (2026-04-18T13:22:42Z)
• LOLGORITHM: Funny Comment Generation Agent For Short Videos [7.225213386393225]
  LOLGORITHMは、スタイリングされたショートフォームビデオコメント生成のための新しいマルチエージェントフレームワークである。 6つのコントロール可能なコメントスタイルをサポートし、ビデオコンテンツ要約、ビデオ分類、コメント生成の3つのコアモジュールで構成されている。
  論文  参考訳（メタデータ） (2026-04-09T11:58:54Z)
• Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation [50.22481337087162]
  Referring Video Object (RVOS) は、テキストクエリに基づくビデオ内のオブジェクトのセグメンテーションを目的としている。 Refer-Agent (Refer-Agent) は、共用多エージェントシステムである。
  論文  参考訳（メタデータ） (2026-02-03T14:48:12Z)
• Video-BrowseComp: Benchmarking Agentic Video Research on Open Web [64.53060049124961]
  Video-BrowseCompは、オープンウェブのエージェントによるビデオ推論に適した210の質問からなるベンチマークである。 これは時間的視覚的証拠に必須に依存しており、回答はテキスト検索のみでは導き出せないことを保証している。 初のオープンWebビデオ調査ベンチマークとして、Video-BrowseCompは、受動的知覚を越えて、プロアクティブなビデオ推論へと分野を前進させた。
  論文  参考訳（メタデータ） (2025-12-28T19:08:27Z)
• MARIC: Multi-Agent Reasoning for Image Classification [6.303112232080335]
  画像分類のためのマルチエージェント型推論(MARIC)を提案する。 MARICは、画像分類を協調推論プロセスとして再構成するマルチエージェントフレームワークである。 4つの多様な画像分類ベンチマークデータセットの実験は、MARICがベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-18T11:27:00Z)
• Implicit Counterfactual Learning for Audio-Visual Segmentation [50.69377287012591]
  我々は,非バイアスの相互理解を実現するために,暗黙の対実的枠組み(ICF)を提案する。 意味論の欠如により、異種表現は誤った一致につながる可能性がある。 モダリティ共有空間を確立するために,ビデオ,セグメント,フレームレベルを含む多粒性暗黙テキスト(MIT)をブリッジとして導入する。
  論文  参考訳（メタデータ） (2025-07-28T11:46:35Z)
• 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)
• Collaborative Reasoning on Multi-Modal Semantic Graphs for Video-Grounded Dialogue Generation [53.87485260058957]
  本研究では,対話コンテキストと関連ビデオに基づいて応答を生成するビデオグラウンド・ダイアログ生成について検討する。 本課題の主な課題は,(1)事前学習言語モデル(PLM)に映像データを統合することの難しさである。 異なるモーダルの推論を協調的に行うマルチエージェント強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-10-22T14:45:29Z)

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。