論文の概要: MAF: Multimodal Adaptive Few-shot Prompting for Sentiment Analysis with MLLMs

• arxiv url: http://arxiv.org/abs/2606.15694v1
• Date: Sun, 14 Jun 2026 09:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.798273
• Title: MAF: Multimodal Adaptive Few-shot Prompting for Sentiment Analysis with MLLMs
• Title（参考訳）: MAF:MLLMを用いた感性分析のための多モード適応Few-shot Prompting
• Abstract要約: 感情分析のためのマルチモーダル適応Few-Shot Prompting (MAF) フレームワークを提案する。 MAFはクエリ関連デモを検索して統合し、MLLMの感情推論能力を文脈に敏感な方法で引き出す。 公開ベンチマークデータセットの実験では、MAFが大幅に、一貫したパフォーマンス改善を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) have demonstrated remarkable capabilities in understanding complex multimodal content. However, their performance in sentiment analysis exhibits acute sensitivity to prompt design, rendering static, uniformly applied prompts inherently suboptimal for capturing the nuanced multimodal cues that vary across inputs. To address this limitation, we propose a Multimodal Adaptive Few-Shot Prompting (MAF) framework, which dynamically retrieves and integrates query-relevant demonstrations to elicit the sentiment reasoning capabilities of MLLMs in a context-sensitive manner. MAF constructs a demonstration retrieval module that holistically encodes facial expressions, scene context, and textual semantics, with a lip movement amplitude detection mechanism introduced for accurate speaker identification in multi-person scenarios. Departing from conventional fixed-weight fusion, a lightweight coefficient generation network is trained to output query-conditioned fusion weights in real time, enabling weighted aggregation of multimodal similarity scores to retrieve the top-K most informative demonstrations. Prediction stability is further enhanced through majority voting over multiple candidate outputs generated by the MLLM. Extensive experiments on public benchmark datasets demonstrate that MAF achieves substantial and consistent performance improvements over the corresponding backbone variants and remains competitive with strong multimodal sentiment-analysis baselines.
• Abstract（参考訳）: マルチモーダル大言語モデル(MLLM)は、複雑なマルチモーダルコンテンツを理解する際、顕著な能力を示した。 しかし、感情分析におけるそれらの性能は、入力毎に異なるニュアンス付きマルチモーダルキューをキャプチャするために、静的で一様に適用されたプロンプトを本質的にサブ最適に描画する、設計の急激な感度を示す。 この制限に対処するため,Multimodal Adaptive Few-Shot Prompting (MAF) フレームワークを提案する。 MAFは、顔の表情、シーンコンテキスト、テキストの意味を均等にエンコードするデモ検索モジュールを構築し、マルチパーソンシナリオにおける正確な話者識別のための唇の動き振幅検出機構を導入した。 従来の固定重核融合とは別に、軽量係数生成ネットワークを用いてクエリ条件付き核融合重みをリアルタイムで出力し、マルチモーダル類似度スコアの重み付けを可能とし、トップKの最も有益な実演を検索する。 予測安定性はMLLMが生成する複数の候補出力に対する多数決投票によってさらに向上する。 公開ベンチマークデータセットに対する大規模な実験により、MAFは対応するバックボーンの変種に対して実質的で一貫したパフォーマンス改善を達成し、強力なマルチモーダル感情分析ベースラインと競合し続けることが示されている。

関連論文リスト

• Beyond Surface Imitation: Contrastive Modeling for Reasoning Path Alignment in Multimodal In-Context Learning [8.500110048966242]
  In-context Learning (ICL)はマルチモーダル大言語モデル(MLLM)で広く使われている。 既存のICL法は、しばしば文脈内デモの表面レベルの模倣に依存している。 MLLMの自己補充能力と対照的な実演モデルを組み合わせたマルチモーダル ICL フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-09T13:45:02Z)
• Multi-Granularity Sentiment Integration for LLM-Based Multimodal Sentiment Analysis [11.01072663453698]
  マルチモーダル感情分析(MSA)は、テキスト、音声、視覚などの異種入力から感情の極性と強度を予測することを目的としている。 LLMベースのMSAのための多粒度感情統合フレームワークMGSIを提案する。
  論文  参考訳（メタデータ） (2026-08-17T07:34:57Z)
• LIMSSR: LLM-Driven Sequence-to-Score Reasoning under Training-Time Incomplete Multimodal Observations [53.20772659095155]
  本稿では、トレーニング時不完全観察において、より困難なIMLの設定に取り組む。 本稿では,この課題を条件付きシーケンス推論タスクとして再構成したLIMSSR(LLM-Driven Incomplete Multimodal Sequence-to-Score Reasoning)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T06:11:42Z)
• MACS: Modality-Aware Capacity Scaling for Efficient Multimodal MoE Inference [25.81851757648691]
  マルチモーダル多言語モデル(Multimodal Large Language Models, MoE MLLMs)は, ストラグラー効果によるエキスパート並列性(EP)推論において, 顕著な効率ボトルネックに悩まされる。 そこで我々は,MACS(Modality-Aware Capacity Scaling)をトレーニング不要な推論フレームワークとして提案する。 具体的には、MACSはエントロピー重み付け機構を導入し、視覚トークンの意味値を定量化し、情報の不均一性に対処する。さらに、動的モダリティ適応キャパシティ機構は、入力のリアルタイムなモーダル合成に基づいて、エキスパートリソースを割り当てる。
  論文  参考訳（メタデータ） (2026-04-19T07:25:39Z)
• Knowledge is Power: Advancing Few-shot Action Recognition with Multimodal Semantics from MLLMs [37.35588113092876]
  我々は,FSARの強化のためのマルチモーダル知識基盤としてMLLMを利用する最初のエンドツーエンド手法であるFSAR-LLaVAを提案する。 まず,MLLMのマルチモーダルデコーダを用いて時間的・意味的に豊かな表現を抽出する。 次に,MLLMの汎用性を活用して,多様なシナリオに柔軟に対応する入力プロンプトを構築する。 最後に,マルチモーダルな特徴を併用してメトリック学習をガイドするために,トレーニング不要なマルチモーダルプロトタイプマッチングメトリクスを導入する。
  論文  参考訳（メタデータ） (2026-03-27T03:05:56Z)
• Multi-Paradigm Collaborative Adversarial Attack Against Multi-Modal Large Language Models [67.45032003041399]
  本稿では,MLLMに対する敵例の転送可能性を高めるために,MPCAttack(Multi-Paradigm Collaborative Attack)フレームワークを提案する。 MPCOは異なるパラダイム表現の重要性を適応的にバランスさせ、グローバルな最適化を導く。 我々のソリューションは、オープンソースおよびクローズドソースMLLMに対する標的および未ターゲットの攻撃において、常に最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2026-03-05T06:01:26Z)
• Generative Giants, Retrieval Weaklings: Why do Multimodal Large Language Models Fail at Multimodal Retrieval? [8.45007357012084]
  MLLMが有効なレトリバーとして機能することを妨げるメカニズムについて検討する。 解析の結果,MLLMの表現空間はテキストセマンティクスによって圧倒的に支配されていることが明らかとなった。 MLLMの類似性計算に最も寄与する特定の特徴成分は、実際に、検索性能を積極的に劣化させるトラクタであることがわかった。
  論文  参考訳（メタデータ） (2025-12-22T07:36:20Z)
• A Comprehensive Study on Visual Token Redundancy for Discrete Diffusion-based Multimodal Large Language Models [85.30893355216486]
  我々は,異なるdMLLMアーキテクチャとタスクを用いて,視覚的トークン冗長性がどのように進化するかを検討する。 本研究により, 視覚的冗長性は, 長時間のタスクを処理しながら, オフスクラッチdMLLMでのみ現れることが明らかとなった。 層スキッピングはAR-to-diffusion dMLLMの加速に有効であるのに対し、プログレッシブプルーニングやレイトステッププルーニングはストクラッチdMLLMよりも効果的である。
  論文  参考訳（メタデータ） (2025-11-19T04:13:36Z)
• Perception-R1: Advancing Multimodal Reasoning Capabilities of MLLMs via Visual Perception Reward [77.34936657745578]
  本稿では,MLLMに視覚内容の正確な知覚を促す新しい視覚認識報酬を導入するPerception-R1を提案する。 本稿では,Perception-R1が1,442のトレーニングデータのみを用いて,ほとんどのベンチマークで最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2025-06-08T16:48:42Z)
• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• TAMP: Token-Adaptive Layerwise Pruning in Multimodal Large Language Models [23.916205754112774]
  MLLM(Multimodal Large Language Models)は多様なマルチモーダルデータやタスクを理解する上で,優れた汎用性を示している。 本稿では,MLLMに適した簡易かつ効果的な刈取フレームワークであるTAMPを提案する。 我々は、視覚言語タスク用に設計されたLLaVA-NeXTと、音声、視覚、言語モーダルを処理可能なVideoLLaMA2の2つの最先端MLLMに対して、本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2025-04-14T05:44:38Z)
• Progressive Multimodal Reasoning via Active Retrieval [64.74746997923967]
  多段階多モーダル推論タスクは、大規模言語モデル(MLLM)に重大な課題をもたらす 本稿では,MLLMの推論能力の向上を目的とした汎用フレームワークAR-MCTSを提案する。 我々は,AR-MCTSがサンプリングの多様性と精度を最適化し,信頼性の高いマルチモーダル推論を実現することを示す。
  論文  参考訳（メタデータ） (2024-12-19T13:25:39Z)
• RA-BLIP: Multimodal Adaptive Retrieval-Augmented Bootstrapping Language-Image Pre-training [55.54020926284334]
  近年,MLLM (Multimodal Large Language Models) が注目されている。 検索拡張技術はLLMとMLLMの両方に有効なプラグインであることが証明されている。 本研究では,MLLMの新しい検索支援フレームワークであるRA-BLIP(Retrieval-Augmented Bootstrapping Language-Image Pre-training)を提案する。
  論文  参考訳（メタデータ） (2024-10-18T03:45:19Z)

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。