शोधकर्ता SVF-CR प्रस्तावित करते हैं, जो दृश्य और मुखात्मक साक्ष्य को समकालिक करके द्वंद्व और संकोच को पहचानने के लिए एक फ्रेमवर्क है। विधि संरेखित पूरे-वीडियो और कटे-चेहरे टोकन निकालती है, जिन्हें इन्ट्रा-मोडल सेल्फ-एटेंशन और बाइडायरेक्शनल क्रॉस-एटेंशन के माध्यम से रिफाइन किया जाता है।
- संगति और असंगति मॉडलिंग के माध्यम से खंड-स्तर साक्ष्य निर्माण करने से पहले समकालिक टोकन पारस्परिक रूप से रिफाइन होते हैं।
- पाठ और ध्वनि विशेषताओं का संदर्भ सेल्फ-एटेंशन से गुजरना होता है और निर्णय चरण में दृश्य-मुखात्मक साक्ष्य के साथ विलीन हो जाता है।
- BAH सार्वजनिक मूल्यांकन स्प्लिट पर प्रयोगों ने 0.7156 का macro-F1 हासिल किया, जो वैश्विक टोकन फ्यूजन बेलाइनों को हराता है।
यह दृष्टिकोण समय-संरेखित व्यवहार साक्ष्य के मोडेलिटीज के बीच कैसे इंटरैक्ट करता है, इसका मॉडलिंग करके पहचान सटीकता में सुधार करता है।