論文の概要: ReMMD: Realistic Multilingual Multi-Image Agentic Verification for Multimodal Misinformation Detection

• arxiv url: http://arxiv.org/abs/2606.24112v1
• Date: Tue, 23 Jun 2026 03:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.758167
• Title: ReMMD: Realistic Multilingual Multi-Image Agentic Verification for Multimodal Misinformation Detection
• Title（参考訳）: ReMMD:Multimodal Misinformation Detectionのための実時間多言語マルチイメージエージェント検証
• Authors: Chenhao Dang, Dantong Zhu, Jun Yang, Conghui He, Weijia Li,
• Abstract要約: 誤情報検出のための現実的な多言語多画像エージェント検証フレームワークであるReMMDを提案する。 ReMMDBenchは、500のサンプル、2,756のイメージ、5つのモノリンガル言語、2つの言語間設定、3つのテキスト長階層、マルチイメージポスト、5方向の証明ラベル、エビデンス検証、合理性を備えた実世界のマルチモーダル誤情報検出ベンチマークである。 ReMMD-Agent は GPT-5.2 を用いて 41.80% の精度と 39.12% のマクロF1 で最高の5方向検証性能を得る。
• 参考スコア（独自算出の注目度）: 35.8201302701223
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal misinformation detection is increasingly important because viral posts now combine long multilingual narratives, several images, mixed provenance, and subtle text--image framing errors. Existing benchmarks and methods remain poorly matched to this setting: they usually isolate short captions, single images, binary labels, or one manipulation source, while agentic verification remains costly under realistic evidence search. We present ReMMD, a realistic multilingual multi-image agentic verification framework for multimodal misinformation detection. ReMMD includes ReMMDBench, a real-world multimodal misinformation detection benchmark with 500 samples, 2,756 images, five monolingual languages, two cross-lingual settings, three text-length tiers, multi-image posts, five-way veracity labels, eight distortion labels, evidence provenance, and rationales. It also includes ReMMD-Agent, a persistent-memory verifier that decomposes posts into atomic points, builds a reusable evidence set, and predicts structured L1/L2/L3 outputs. Across proprietary systems, open LVLMs, MMD-Agent, and T2-Agent, ReMMD-Agent obtains the best five-way veracity performance, with 41.80% accuracy and 39.12% macro-F1 using GPT-5.2, while reducing cost by 17.5% relative to MMD-Agent and 79.9% relative to T2-Agent. The project is available at https://dang-ai.github.io/ReMMD.
• Abstract（参考訳）: バイラルポストは、長い多言語の物語、いくつかの画像、混在した前兆、微妙なテキストのフレーミングエラーを組み合わせているため、多モーダルな誤情報検出はますます重要になっている。 通常、短いキャプション、単一のイメージ、バイナリラベル、または1つの操作ソースを分離する一方、エージェントによる検証は、現実的な証拠検索の下ではコストがかかる。 マルチモーダル誤情報検出のための現実的な多言語多画像エージェント検証フレームワークであるReMMDを提案する。 ReMMDには、500のサンプル、2,756のイメージ、5つのモノリンガル言語、2つの言語間設定、3つのテキスト長階層、マルチイメージポスト、5方向の精度ラベル、8つの歪みラベル、エビデンス証明、理論的根拠を備えた実世界のマルチモーダル誤情報検出ベンチマークであるReMMDBenchが含まれている。 ReMMD-Agentは、ポストを原子点に分解し、再利用可能なエビデンスセットを構築し、構造化されたL1/L2/L3出力を予測する永続メモリ検証器である。 プロプライエタリなシステム、オープンLVLM、MDD-Agent、T2-Agent全体では、ReMMD-Agentは、41.80%の精度とGPT-5.2を使用した39.12%のマクロF1の5方向精度で、MMD-Agentに対して17.5%、T2-Agentに対して79.9%のコスト削減を実現している。 このプロジェクトはhttps://dang-ai.github.io/ReMMD.comで公開されている。

関連論文リスト

• MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
  メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。 MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。 我々は27個のLVLMと7個のメモリ増強剤を評価した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:17Z)
• 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)
• 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)
• Benchmarking Retrieval-Augmented Generation in Multi-Modal Contexts [56.7225771305861]
  本稿では,マルチモーダル大規模言語モデルの有効性を評価するためのベンチマークであるMulti-Modal Retrieval-Augmented Generation (M$2$RAG)を紹介する。 このベンチマークは、イメージキャプション、マルチモーダル質問応答、マルチモーダル事実検証、イメージリランクの4つのタスクで構成されている。 MLLMのコンテキスト利用能力を高めるため,マルチモーダル検索型インストラクションチューニング(MM-RAIT)も導入する。
  論文  参考訳（メタデータ） (2025-02-24T16:25:25Z)
• Towards Text-Image Interleaved Retrieval [49.96332254241075]
  テキスト画像検索(TIIR)タスクを導入し、クエリと文書をインターリーブしたテキスト画像シーケンスとする。 我々は、自然にインターリーブされたwikiHowチュートリアルに基づいてTIIRベンチマークを構築し、インターリーブされたクエリを生成するために特定のパイプラインを設計する。 異なる粒度で視覚トークンの数を圧縮する新しいMMEを提案する。
  論文  参考訳（メタデータ） (2025-02-18T12:00:47Z)
• ViLBias: Detecting and Reasoning about Bias in Multimodal Content [6.710013984078675]
  ViLBiasは、マルチモーダルニュースにおけるバイアスの検出と推論のためのフレームワークである。 データセットは40,945のテキストペアで構成されている。 その結果,テキストによる画像の検出精度は3～5%向上した。
  論文  参考訳（メタデータ） (2024-12-22T15:05:30Z)

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。