論文の概要: StanceFlip: A Comprehensive Multi-Dimensional Benchmark for Multimodal Conversational Stance Flipping Forecasting
- arxiv url: http://arxiv.org/abs/2607.24191v1
- Date: Mon, 27 Jul 2026 09:11:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.373285
- Title: StanceFlip: A Comprehensive Multi-Dimensional Benchmark for Multimodal Conversational Stance Flipping Forecasting
- Title（参考訳）: StanceFlip:マルチモーダル・会話・スタンス・フリップ予測のための総合的多次元ベンチマーク
- Abstract要約: StanceFlipは、マルチターン対話の予測を反転させるマルチモーダルな会話姿勢のためのベンチマークである。
提案手法は, セクシュタプル抽出とフリップトリガー属性の両面において, 最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 26.620661739354293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational stance detection has shifted from static text analysis to dynamic multimodal modeling. However, existing benchmarks exhibit three key limitations: failure to capture the dynamic evolution of beliefs, particularly during stance reversals; difficulty in disentangling affective states from logical reasoning; and neglect of the critical role of multimodal cues in resolving pragmatic ambiguities such as sarcasm. To address these limitations, we propose StanceFlip, a benchmark designed for multimodal conversational stance flipping forecasting over multi-turn dialogues across five modalities and multi-scenarios, which includes two novel subtasks: 1) Multimodal Stance Sextuple Extraction, extracting holder, target, emotion, sentiment, stance, and rationale as static state snapshots of dialogue to capture fine-grained cognitive structures. 2) Dynamic Stance Flip Attribution, tracking stance reversals across the conversation and identifying their underlying triggers. Alongside the dataset, we propose a dedicated framework, named ConStaFF, for Multimodal Conversational Stance Flipping Forecasting (MCSFF). Built upon a large language model, ConStaFF performs end-to-end stance reasoning, with a Thought-of-Stance (ToS) reasoning framework and a self-reflective verification mechanism integrated for structured stance modeling and faithful flip attribution. Specifically, ToS decomposes the reasoning process into specialized cognitive personas to formulate target propositions, resolve cross-modal conflicts, and infer historical stance trajectories. Extensive experiments show that our approach achieves state-of-the-art performance on both sextuple extraction and flip-trigger attribution, outperforming strong multimodal large language model baselines by substantial margins.
- Abstract（参考訳）: 会話姿勢検出は静的テキスト解析から動的マルチモーダルモデリングへ移行した。
しかし、既存のベンチマークでは、信念のダイナミックな進化を捉えなかったこと、特にスタンス・リバーサルの間は、感情的状態が論理的推論から遠ざかることの難しさ、サルカズムのような現実的な曖昧さを解決する上でのマルチモーダルな手がかりの批判的役割を無視すること、の3つの重要な制限が示されている。
これらの制限に対処するために,5つのモーダルと2つの新しいサブタスクを含むマルチターン対話の予測を反転させるマルチモーダル会話姿勢予測のためのベンチマークであるStanceFlipを提案する。
1) 微粒な認知構造を捉えるために, 対話の静的な状態スナップショットとして, 保持者, 目標, 感情, 姿勢, 合理性を抽出するマルチモーダル・スタンス・エクスタプル抽出を行った。
2) ダイナミック・スタンス・フリップ・アトリビューション, 会話における姿勢逆転の追跡, 基本となる引き金の特定。
データセットの他に,MCSFF(Multimodal Conversational Stance Flipping Forecasting)のためのConStaFFという専用のフレームワークを提案する。
大規模な言語モデルに基づいて構築されたConStaFFは、ToS(Thought-of-Stance)推論フレームワークと、構造化されたスタンスモデリングと忠実なフリップ帰属のために統合された自己回帰検証機構を備えた、エンドツーエンドのスタンス推論を実行する。
具体的には、ToSは、推論プロセスを特定の認知的ペルソナに分解し、ターゲット命題を定式化し、異種間の紛争を解決し、歴史的姿勢の軌跡を推測する。
大規模な実験により,本手法はセクシュタプル抽出とフリップトリガー属性の両方において最先端の性能を達成し,高いマルチモーダル大言語モデルベースラインをかなりのマージンで上回る結果となった。
関連論文リスト
- Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。
この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
論文 参考訳（メタデータ） (2026-05-27T08:43:13Z) - SURE: Synergistic Uncertainty-aware Reasoning for Multimodal Emotion Recognition in Conversations [15.80542007124167]
会話におけるマルチモーダル感情認識(MERC)は、ノイズに頑健であり、文脈的推論をモデル化しながら、マルチモーダル信号を統合する必要がある。
我々は、堅牢性と文脈モデリングを改善するMERCのためのSURE(Synergistic Uncertainty-aware Reasoning)を提案する。
論文 参考訳（メタデータ） (2026-04-02T11:32:15Z) - Perception-Aware Multimodal Spatial Reasoning from Monocular Images [57.42071289037214]
単眼画像からの空間的推論は 自律運転には不可欠です
現在のヴィジュアルランゲージモデル(VLM)は、微粒な幾何学的知覚に苦慮している。
本稿では,VLMを明示的な対象中心の接地能力を持つ知覚認識型マルチモーダル推論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T02:05:12Z) - Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。
本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。
その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
論文 参考訳（メタデータ） (2026-01-07T16:39:34Z) - When Alignment Fails: Multimodal Adversarial Attacks on Vision-Language-Action Models [75.16145284285456]
我々は,White-box設定とBlack-box設定の両方の下で,組込みVLAモデルのマルチモーダル対向ロバスト性に関する総合的研究であるVLA-Foolを紹介する。
自動生成および意味的に誘導されるプロンプトフレームワークを最初に開発する。
LIBEROベンチマークの実験では、小さなマルチモーダル摂動でさえ大きな行動偏差を引き起こすことが示されている。
論文 参考訳（メタデータ） (2025-11-20T10:14:32Z) - Plug-and-Play Clarifier: A Zero-Shot Multimodal Framework for Egocentric Intent Disambiguation [60.63465682731118]
エゴセントリックなAIエージェントのパフォーマンスは、基本的にマルチモーダルな意図のあいまいさによって制限される。
ゼロショットでモジュラーなフレームワークであるPlug-and-Play Clarifierを導入し、問題を個別に解決可能なサブタスクに分解する。
我々のフレームワークは,小言語モデルの意図的明確化性能を約30%向上させ,より大きな言語モデルとの競争力を高める。
論文 参考訳（メタデータ） (2025-11-12T04:28:14Z) - ReMoD: Rethinking Modality Contribution in Multimodal Stance Detection via Dual Reasoning [29.400983680521733]
マルチモーダルスタンス検出(MSD)はソーシャルメディア上での世論を理解する上で重要な課題である。
既存の作業は、様々なモダリティからの情報を融合してスタント表現を学習し、異なるモダリティからのスタント表現の様々なコントリビューションを見下ろしている。
ReMoD*は**Re**が**Mo**の姿勢表現への貢献を**D**al-reasoningパラダイムを通して考えるためのフレームワークである。
論文 参考訳（メタデータ） (2025-11-08T15:56:24Z) - CMR-SPB: Cross-Modal Multi-Hop Reasoning over Text, Image, and Speech with Path Balance [10.843417240658992]
クロスモーダル・マルチホップ推論(CMR)は、マルチモーダル・大規模言語モデル(MLLM)の重要かつ未探索の能力である。
この能力を評価するための既存のベンチマークには、重大な欠点がある、と我々は主張する。
CMR-SPB (Cross-Modal Multi-Hop Reasoning over Text, Image and Speech with Path Balance) という新しいベンチマークを導入する。
論文 参考訳（メタデータ） (2025-08-22T08:17:31Z) - Multimodal Chain of Continuous Thought for Latent-Space Reasoning in Vision-Language Models [1.9950682531209158]
本稿では,連続思考のマルチモーダル連鎖(MCOUT)を提案する。
MCOUTはマルチモーダル推論を継続的に改善し,高いベースラインに対して最大8.23%の精度向上が得られることを示す。
以上の結果から,言語関連CoTを超えてLMMを推し進めるための有望な方向として,潜時的連続推論が注目されている。
論文 参考訳（メタデータ） (2025-08-18T02:50:20Z) - PanoSent: A Panoptic Sextuple Extraction Benchmark for Multimodal Conversational Aspect-based Sentiment Analysis [74.41260927676747]
本稿では,マルチモーダル対話感分析(ABSA)を導入することでギャップを埋める。
タスクをベンチマークするために、手動と自動の両方で注釈付けされたデータセットであるPanoSentを構築し、高品質、大規模、マルチモーダル、マルチ言語主義、マルチシナリオを特徴とし、暗黙の感情要素と明示的な感情要素の両方をカバーする。
課題を効果的に解決するために,新しい多モーダルな大規模言語モデル(すなわちSentica)とパラフレーズベースの検証機構とともに,新しい感覚の連鎖推論フレームワークを考案した。
論文 参考訳（メタデータ） (2024-08-18T13:51:01Z)
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。