論文の概要: ArtSociety: Multi-Agent Multimodal Collaboration for Art Emotion Understanding
- arxiv url: http://arxiv.org/abs/2609.13240v1
- Date: Thu, 03 Sep 2026 11:25:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 16:32:15.667255
- Title: ArtSociety: Multi-Agent Multimodal Collaboration for Art Emotion Understanding
- Title（参考訳）: ArtSociety:マルチエージェント・マルチモーダルコラボレーションによる感情理解
- Abstract要約: ArtSocietyは異質なマルチモーダルエキスパートを組み立てるマルチエージェントフレームワークである。
タスクルーティングポリシは、ハード感情タスクをフル5エージェントアンサンブルに誘導する。
ArtSocietyは公式テストセットで0.8870のスコアを達成した。
- 参考スコア（独自算出の注目度）: 87.14995143531998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The AffectiveArt Multidimensional Art Emotion Understanding task asks to jointly predict an artwork's fine-grained emotion (12 classes, 1549:1 head-to-tail ratio), binary valence/arousal, and five attribute-grounded descriptions -- sub-tasks that exhibit strong empirical trade-offs, so the single-model solutions we tried do not jointly optimize all of them well. We present ArtSociety, a multi-agent framework that assembles heterogeneous multimodal experts -- a DINOv2-Giant vision agent (A1), a scene-grounded CoT fine-tuned MLLM (A2), and three closed-source reasoning agents (A3-A5) -- and coordinates them with two training-free controllers: (i) a rare-class-aware voting arbiter that lowers the agreement threshold for tail emotions, exploiting decorrelated error patterns across agent families; and (ii) a description-first reasoning agent whose DESCRIBE-then-CLASSIFY chain of thought forces visual evidence before label commitment, yielding near-perfect grounded descriptions. A task-routing policy directs the hard emotion task to the full five-agent ensemble while assigning the near-saturated valence/arousal and generative description tasks to the single strongest reasoning agent. On the official test set (1,000 artworks), ArtSociety achieves an Overall Score of 0.8870 (Classification 0.7789, Description 0.9952). An eleven-variant ablation study reveals that, once method and scale saturate at around 0.76, the decisive gains come from agent collaboration and data-side supervision -- a 30B MoE model trained on older data does not outperform an 8B model trained on better data. Code is available at https://github.com/swordlidev/ArtSociety
- Abstract（参考訳）: AffectiveArt Multidimensional Art Emotion Understanding taskは、アートワークのきめ細かい感情(12のクラス、1549:1の頭と尾の比率)、バイナリ価値/覚醒、5つの属性基底記述(強力な経験的トレードオフを示すサブタスク)を共同で予測するように求めます。
DINOv2-Giant Vision Agent (A1)、シーングラウンドCoTファインチューニングMLLM (A2)、クローズドソース推論エージェント (A3-A5) など、異種マルチモーダル専門家を組み立てるマルチエージェントフレームワークであるArtSocietyを紹介し、これらを2つのトレーニングフリーコントローラで調整する。
一 エージェント・ファミリー間の誤りパターンを悪用し、末尾感情の合意しきい値を下げる希少な等級投票機
2) DESCRIBE-then-CLASSIFY の思考の連鎖がラベルのコミットメントの前に視覚的証拠を強制し、ほぼ完全な根拠的記述をもたらす記述第一推論剤。
タスクルーティングポリシーは、そのハード感情タスクを全5エージェントアンサンブルに誘導し、一方の最も強い推論剤に、近接飽和価・覚醒・生成的記述タスクを割り当てる。
公式テストセット(1,000のアートワーク)では、ArtSocietyは総スコア0.8870(分類0.7789、説明0.9952)を達成した。
11種類のアブレーション調査では、メソッドとスケールが約0.76で飽和すると、エージェントのコラボレーションとデータ側の監視によって決定的な利益が得られ、古いデータでトレーニングされた30B MoEモデルが、より良いデータでトレーニングされた8Bモデルを上回ることはないことが示されている。
コードはhttps://github.com/swordlidev/ArtSocietyで入手できる。
関連論文リスト
- MAIA: Multi-Agent Intent Articulation for Requirement Discovery in Art Commissions [8.371162222882367]
粗野なアートコミッショナーでは、素人は自分の気持ちを知っているが、それを特定する言葉が欠けている。
私たちはこれを,未提供の上流ステージにおける調音ボトルネックとして捉えています。
我々は、多エージェントシステムであるMAIAを、曖昧さを視覚用語のテキストのみのブリーフィングに変換する。
論文 参考訳（メタデータ） (2026-09-10T18:25:21Z) - Douyin Multimodal Embedding Model Technical Report [77.9018834072698]
マルチモーダル表現学習は、現代のAIの基盤となっている。
両強度を組み合わせた2段階のモデルであるDME(Douyin Multimodal Embedding)を提案する。
論文 参考訳（メタデータ） (2026-08-03T12:31:49Z) - AgentBeats: Agentifying Agent Assessment for Openness, Standardization, and Reproducibility [104.46861849039357]
エージェントシステムはドメイン間で急速に進歩しているが、その評価は断片化されている。
根本的問題は、オープンでエージェントに依存しないアセスメントインタフェースがないことである。
我々は、審査員が評価を行い、すべての参加者が標準化されたプロトコルを介して対話するエージェントエージェントアセスメント(AAA)を提唱する。
論文 参考訳（メタデータ） (2026-06-11T17:23:54Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents [130.70999337445468]
言語モデル(LLM)エージェントと比較して、視覚言語モデル(VLM)エージェントを訓練する際の重要な課題は、テキスト状態から複雑な視覚観察に移行することである。
VLMエージェントは、明示的な視覚状態推論によって内部世界モデルを構築することができるか?
我々は、強化学習(RL)を通して、エージェントの推論プロセスを建築的に実施し、報奨する。
エージェントの状態推定と遷移モデリングへの推論が成功に不可欠であることが分かりました。
論文 参考訳（メタデータ） (2025-10-19T16:05:07Z) - OpenHA: A Series of Open-Source Hierarchical Agentic Models in Minecraft [41.54450963797897]
単一のアクション空間が普遍的に最適でないことを示し、代わりに最も効果的な抽象化はタスク依存である。
単一のモノリシックなVLAモデル内に高レベルの計画と低レベルの制御を統合する新しいフレームワークであるChain of Actionを紹介します。
我々は、CoAパラダイムを用いた多種多様なアクション空間で訓練されたオールインワンエージェントが、より堅牢で一般化可能なポリシーを学ぶことを実証した。
論文 参考訳（メタデータ） (2025-09-13T03:12:02Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - Knowledge-based Reasoning and Learning under Partial Observability in Ad
Hoc Teamwork [4.454557728745761]
本稿では,非単調な論理的推論に基づいてアドホックエージェントの動作を決定するアーキテクチャを提案する。
これは、他のエージェントの行動を予測するモデルのオンライン選択、適応、学習をサポートする。
単純なシナリオと複雑なシナリオの両方において、アーキテクチャのパフォーマンスが、最先端のデータ駆動ベースラインと同等か、あるいは同等であることを示す。
論文 参考訳（メタデータ） (2023-06-01T15:21:27Z)
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。