画像に対しただ確率的に高いものをラベリングするのではなく、その画像の説明を受ける聞き手が最も得をする(知らなかった情報を得られる)ようにラベリングをする新しいタスクと、それに対する新しいアーキテクチャの提案。情報理論を用いて聞き手が知らない情報を推定するが、この時ラベルが膨大になるため木構造のグラフィカルモデルを使って情報基準を効率的に近似計算している。