연구진은 비디오에서 모호함과 주저함을 감지하는 데 어려움을 겪는 문제를 해결하기 위해 CF-Net이라는 딥 멀티모달 네트워크를 개발했어요. CF-Net은 시각, 음성, 텍스트 스트림을 처리하며 화자별로 정규화하고, 갈등 융합 모듈을 통해 시청각 불일치를 계산해요. CF-Net은 BAH 데이터셋에서 Macro F1 0.7155를 달성했으며, 비공개 챌린지 테스트 세트에서 0.7364 (AP = 0.7492)의 성능을 기록했어요.