論文の概要: An Agentic Approach with Evidence-Grounded Verification for Multimodal Emotion Reasoning in Conversation

• arxiv url: http://arxiv.org/abs/2610.31685v1
• Date: Sat, 03 Oct 2026 23:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:06:26.115278
• Title: An Agentic Approach with Evidence-Grounded Verification for Multimodal Emotion Reasoning in Conversation
• Title（参考訳）: 会話におけるマルチモーダル感情推論のためのエビデンスグラウンド検証によるエージェントアプローチ
• Abstract要約: トレーサブルなマルチモーダル感情推論と即時空間適応のためのフレームワークを開発する。 モダリティ特異的認知エージェントは、視覚的、音響的、語彙的な入力を分析し、証拠に刺激された観察を共有ボードにポストする。 誤った予測のために、別個のエビデンスに基づく検証段階は、引用されたエビデンスと参照が有効であることを検証するために決定論的チェックを施し、最終クレームがそのエビデンスによって支持されているかどうかを判断するための細かなチェックを施す。
• 参考スコア（独自算出の注目度）: 0.11458853556386794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based multimodal emotion reasoning systems perform well on standard benchmarks, but improving them through instruction tuning can be computationally expensive. Agentic pipelines built from frozen models avoid this cost, but introduce a different challenge: when a prediction is wrong, the system must identify which agent or stage caused the error. We address this problem with an agentic framework for traceable multimodal emotion reasoning and prompt-space adaptation. Modality-specific perception agents analyze visual, acoustic, and lexical inputs and post evidence-cited observations to a shared board. An integration agent combines these observations with retrieved multimodal examples to produce an emotion description, label set, and supporting citations, while an MLLM critic can request one revision before the output is finalized. For incorrect predictions, a separate evidence-grounded verification stage applies deterministic checks to verify that cited evidence and references are valid, and an entailment check to determine whether the final claims are supported by that evidence. Detected failures are then grouped by the responsible component and failure type, converted into targeted prompt patches, and accepted only after validation on a held-out set. This adapts the agent prompts without updating model weights. On the MER2025 dataset, targeted prompt adaptation outperforms the frozen static pipeline on all four MLLMs, ranging from 2B to 38B parameters, and matches or outperforms undifferentiated reflection baselines on each of them: VideoLLaMA3-2B, Phi-3.5-vision-instruct, Qwen2.5-VL-7B-Instruct, and InternVL2.5-38B. It improves F-score by 0.6--2.2 points depending on the backbone, including an increase from 52.3 to 54.5 on Qwen2.5-VL-7B.
• Abstract（参考訳）: LLMベースのマルチモーダル感情推論システムは、標準ベンチマークでよく機能するが、命令チューニングによる改善は計算コストがかかる。 フリーズモデルから構築されたエージェントパイプラインは、このコストを回避するが、別の課題を導入する: 予測が間違っていた場合、システムはエラーの原因となったエージェントやステージを特定する必要がある。 我々はこの問題を、トレース可能なマルチモーダル感情推論と即時空間適応のためのエージェントフレームワークを用いて解決する。 モダリティ特異的認知エージェントは、視覚的、音響的、語彙的な入力を分析し、証拠に刺激された観察を共有ボードにポストする。 統合エージェントは、これらの観察と検索したマルチモーダルな例を組み合わせることで、感情記述、ラベルセット、および引用を生成し、MLLM批評家は出力が確定する前に1つのリビジョンを要求できる。 誤った予測のために、別個のエビデンスに基づく検証段階は、引用されたエビデンスと参照が有効であることを検証するために決定論的チェックを施し、最終クレームがそのエビデンスによって支持されているかどうかを判断するための細かなチェックを施す。 検出された障害は、責任あるコンポーネントと障害タイプによってグループ化され、ターゲットのプロンプトパッチに変換される。 これにより、モデルウェイトを更新せずにエージェントプロンプトが適合する。 MER2025データセットでは、ターゲットのプロンプト適応は2Bから38Bパラメータの4つのMLLM上で凍結された静的パイプラインよりも優れており、ビデオLLaMA3-2B、Phi-3.5-vision-instruct、Qwen2.5-VL-7B-Instruct、InternVL2.5-38Bといった未分化のリフレクションベースラインにマッチまたはアウトパフォーマンスがある。 これは、Qwen2.5-VL-7Bの52.3から54.5への増加を含む、背骨に応じてFスコアを0.6--2.2ポイント改善する。

関連論文リスト

• Is Your LLM Relay Serving What It Claims? A low-cost and high-power test for LLM Relay Auditing [5.339059407340833]
  RelayとResellerのAPIは、大きな言語モデル(LLM)にアクセスする一般的な方法になっている。 本稿では,疑似および信頼された参照エンドポイントからのテキスト応答のみを必要とする統計手法である分散指紋検査(DFA)を提案する。 DFAは5つのプローブと250のリレー要求を格納された基準指紋で使用して,5ドルという名目で高い検出率を達成することを示す。
  論文  参考訳（メタデータ） (2026-10-27T11:49:21Z)
• VeeReview: Measuring Build-Verify Pairs in Agent-Authored Pull Requests from a V-Model Perspective [0.45835414225547183]
  VeeReviewは、リポジトリ信号と言語モデル判断を使って、ビルドと検証のペアを分類する。 2つのラベル付けされた25プルのレファレンスセットに対してVeeReviewを評価し,771リポジトリから1,454個のマッチしたエージェントと人間のプルリクエストに適用した。
  論文  参考訳（メタデータ） (2026-10-21T03:25:44Z)
• Functionally Equivalent or Not? Graph-Grounded Differential Surrogate Execution for Code Equivalence [10.45005458481016]
  FEAgentは、型付きプログラムグラフエビデンスと差分代理実行を組み合わせた選択等価評価エージェントである。 そのオラクルに対する不一致はすべて、直接実行によって判断され、ベンチマークラベルと単体テストのみのスコアで見逃された振る舞いの相違が明らかになる。 EquiBenchでは、1200個の評価済みペアのうち216個(18.0%)、SWE-bench Verifiedでは331個のテストパスエージェントパッチ(28.4%)が参照パッチから分岐している。
  論文  参考訳（メタデータ） (2026-10-03T08:19:45Z)
• VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks [56.74345405508208]
  LLMエージェントはますます複雑で長期のタスクをこなし、そのアウトプットを検証することがますます困難になっている。 本研究では, 基準応答へのアクセスや試験時の潤滑油の分解を行わずに, 固定ベースモデルで検証能力を強化する方法について検討する。 コンセンサスによってエラーを隠蔽できる一方で、不一致はしばしば正しい代替手段を公開することに気付きました。 これらの観察はVeriHarnessを動機付け、ジェネレータが使用する基礎となるLLMを、ワークスペース、エビデンスツール、再利用可能な検証スキルを与えることによって、エージェント検証器に変える。
  論文  参考訳（メタデータ） (2026-10-01T03:02:17Z)
• PluginEval: A Diagnostic Benchmark for Fine-Grained Error Attribution in Function Calling [11.1017602726296]
  大規模言語モデルは、ますます自律的なエージェントとして機能している。 現在のベンチマークには3つの制限がある。 Evalは、2段階のフレームワークで構築されたベンチマークである。
  論文  参考訳（メタデータ） (2026-08-09T13:25:54Z)
• SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
  SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。 正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。 変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
  論文  参考訳（メタデータ） (2026-08-04T13:16:15Z)
• Toward Auditable Fraud Detection: Combining Graph Features, Model Explanations, and Agentic Case Investigation [0.0]
  不正検出システムは、説明可能でレビュー可能なまま、トランザクションボリュームの上昇とともにスケールする必要がある。 本研究では,勾配ブースト型分類器,グラフに基づく構造特徴,オートエンコーダに基づく異常信号,および調査エージェントを組み合わせた層状パイプラインについて検討する。 我々は,各コンポーネントは特定の条件下でのみ寄与し,調査エージェントからのもっともらしい根拠は,よりよい判断の証拠ではないと結論づける。
  論文  参考訳（メタデータ） (2026-07-21T16:37:41Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling [57.42714978834704]
  ExCommは、探索段階のエージェントテストタイムスケーリングのための通信プロトコルである。 ExCommは、強いテスト時間スケーリングベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-21T07:38:44Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)

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。