そもそも動画中の人と人との関係を予測するタスクは新しいと言われており、しかもそれを実現するためにマルチモーダルで情報を入力して予測を可能とした。

新規タスクなためベースとなる精度を出力。

新しいタスクの提案をして、提案手法によってある程度の精度が出力できたためだと考えられる。