論文の概要: PrismAgent: Illuminating Harm in Memes via a Zero-Shot Interpretable Multi-Agent Framework

• arxiv url: http://arxiv.org/abs/2605.02940v1
• Date: Fri, 01 May 2026 08:31:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.521123
• Title: PrismAgent: Illuminating Harm in Memes via a Zero-Shot Interpretable Multi-Agent Framework
• Title（参考訳）: PrismAgent: Zero-Shot Interpretable Multi-Agent Frameworkによるミーム中のハームのイルミネーション
• Abstract要約: PrismAgentは、有害なコンテンツ検出のためのゼロショット、マルチエージェント、解釈可能なフレームワークである。 4人の特別捜査官が刑事事件捜査としてこのタスクを概念化している。 3つの公開データセットの実験は、PrismAgentが既存のゼロショット検出方法よりも大幅に優れていることを示している。
• 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: The rapid spread of memes makes harmful content detection increasingly crucial, as effective identification can curb the circulation of misinformation. However, existing methods rely heavily on high-volume annotated data, which leads to substantial training costs and limited generalization. To address these challenges, we propose PrismAgent, a zero-shot, multi-agent, interpretable framework. PrismAgent conceptualizes this task as a criminal case investigation, employing four specialized agents responsible for the analysis, investigation, prosecution, and judgment stages within a structured collaborative workflow. In the first stage, the analyst agent paraphrases each meme under benevolent and malicious assumptions to probe its underlying intent. The investigator agent then retrieves supporting evidence from an unannotated dataset and constructs contextual interpretations for the meme and its variants. Next, the prosecutor agent performs three independent preliminary judgments by pairing the original meme with each of the three interpretations. Finally, the judge agent deliberates across all evidence to render a final verdict. Moreover, PrismAgent's explicit multi-stage reasoning chain makes the model inherently interpretable, as every intermediate step is explicitly explained rather than only producing a final detection result. Extensive experiments on three public datasets show that PrismAgent significantly outperforms existing zero-shot detection methods.
• Abstract（参考訳）: ミームの急速な拡散は、偽情報の循環を抑制するため、有害な内容の検出をますます重要にしている。 しかし、既存の手法は大量の注釈付きデータに大きく依存しており、かなりのトレーニングコストと限定的な一般化につながっている。 これらの課題に対処するため、ゼロショット、マルチエージェント、解釈可能なフレームワークであるPrismAgentを提案する。 PrismAgentは、このタスクを刑事事件調査として概念化し、構造化された協調ワークフロー内での分析、調査、起訴、および判断の段階を担当する4つの特殊エージェントを雇用した。 第1段階では、アナリストエージェントは各ミームを、その根底にある意図を調査するために、好意的で悪意のある仮定の下で言い換える。 その後、調査員は、注釈のないデータセットから証拠を回収し、ミームとその変種に関する文脈解釈を構築する。 次に、検察官は、元のミームとこれら3つの解釈をそれぞれ組み合わせて、3つの独立した予備判断を行う。 最後に、裁判官はすべての証拠を慎重に調査し、最終判決を下す。 さらに、PrismAgentの明示的な多段階推論連鎖は、最終検出結果のみを生成するのではなく、すべての中間ステップが明示的に説明されるため、モデルを本質的に解釈可能である。 3つの公開データセットに対する大規模な実験は、PrismAgentが既存のゼロショット検出方法よりも大幅に優れていることを示している。

関連論文リスト

• HANSARD: A Reference Architecture for Forensic Readiness, Runtime Witnessing, and Graded Attribution in Autonomous Multi-Agent AI Systems [3.7015952547586832]
  現在、自律型マルチエージェントシステムは、金融、ソフトウェアサプライチェーン、セキュリティオペレーションで機能している。 何が起きたのか、何を引き起こしたのか、誰が責任を負うのかをしっかりと決める方法はありません。 これは、証明法医学が間違った抽象化で機能し、形式的因果関係は因果関係を仮定し、エージェント監査は自己記録を信頼するからである。 ターゲットの障害モードは、帰属的な洗浄であり、いかなる原因にもならないまで、冗長なエージェントに作用を広げる。 本稿では,説明責任をライフサイクル特性として扱う参照アーキテクチャであるHANSARDを提案する。
  論文  参考訳（メタデータ） (2026-08-23T17:18:22Z)
• Diverse Evidence, Better Forecasts: Multi-Agent Deliberation Under Information Asymmetry [1.8983854039418835]
  すべてのエージェントが同一の証拠を与えられると、議論は真の信念の修正ではなく、隠れ家へと崩壊する。 本稿では,関連性を考慮したエビデンス・ルーティング,合理性に基づく反復的熟考,信頼度重み付けを組み合わせた枠組みを提案する。 375のバイナリ予測質問のベンチマークであるPolyGymでは、InfoDelphiが最強のシングルエージェントとマルチエージェントベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-02T03:41:25Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• Human-on-the-Loop Orchestration for AI-Assisted Legal Discovery [0.0]
  本稿では,法的情報検索におけるエージェント障害の構造的分類法を提案する。 本稿では,これらの故障を補うために設計した4層検証アーキテクチャを提案する。 以上の結果から,キャリブレーションされた不確実性閾値は,完全自律配置と比較して最大61%低下する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-18T05:37:52Z)
• Detecting Multi-Agent Collusion Through Multi-Agent Interpretability [0.3467226901703539]
  NARCBenchは環境分布シフト下での衝突検出のベンチマークである。 グループレベルでシナリオを分類するために,エージェントごとの詐欺スコアを集計する5つの探索手法を提案する。 単一のプローブ技術が全ての共謀タイプで支配的であり、異なる形の共謀が活性化空間で異なることを示唆している。
  論文  参考訳（メタデータ） (2026-04-01T17:08:05Z)
• PATHWAYS: Evaluating Investigation and Context Discovery in AI Web Agents [0.0]
  PATHWAYSは250のマルチステップ決定タスクのベンチマークである。 Webベースのエージェントが、隠れたコンテキスト情報を発見し、正しく使用できるかをテストする。
  論文  参考訳（メタデータ） (2026-02-05T06:24:23Z)
• The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
  LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。 本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。 標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-21T15:22:21Z)
• Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
  大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。 このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。 我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2026-01-21T06:07:43Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• MIND: A Multi-agent Framework for Zero-shot Harmful Meme Detection [3.7336554275205898]
  我々は、アノテーション付きデータに依存しないゼロショット有害なミーム検出のためのマルチエージェントフレームワークであるMINDを提案する。 MINDは3つの重要な戦略を実装している。1) 文脈情報を提供するための注釈のない参照セットから類似のミームを抽出する; 2) 類似のミームを包括的に理解するための双方向の洞察メカニズムを提案する; 3) 論理的仲裁による堅牢な意思決定を保証するためにマルチエージェントの議論メカニズムを採用する。
  論文  参考訳（メタデータ） (2025-07-09T14:46:32Z)
• Deep Multi-Agent Reinforcement Learning for Decentralized Active Hypothesis Testing [11.639503711252663]
  我々は,深層多エージェント強化学習の枠組みに根ざした新しいアルゴリズムを導入することで,マルチエージェント能動仮説テスト(AHT)問題に取り組む。 エージェントが協調戦略を学習し、性能を向上させる能力を効果的に示す実験結果を包括的に提示する。
  論文  参考訳（メタデータ） (2023-09-14T01:18:04Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)

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。