論文の概要: Unpacking Hateful Memes: Presupposed Context and False Claims

• arxiv url: http://arxiv.org/abs/2510.09935v1
• Date: Sat, 11 Oct 2025 00:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.700313
• Title: Unpacking Hateful Memes: Presupposed Context and False Claims
• Title（参考訳）: 嫌悪なミームを解き放つ - 前提となるコンテキストと偽の主張
• Authors: Weibin Cai, Jiayu Li, Reza Zafarani,
• Abstract要約: 憎しみのあるミーム検出は、主に事前訓練された言語モデルに依存している。 我々は、憎しみに満ちたミームは、textbfpreposed context と textbffalse claims の2つの重要な特徴によって特徴づけられると主張している。 我々は、憎悪の本質を捉えるために設計された憎悪に満ちたミーム検出フレームワーク、textbftextsfSHIELDを紹介した。
• 参考スコア（独自算出の注目度）: 4.251395949891149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While memes are often humorous, they are frequently used to disseminate hate, causing serious harm to individuals and society. Current approaches to hateful meme detection mainly rely on pre-trained language models. However, less focus has been dedicated to \textit{what make a meme hateful}. Drawing on insights from philosophy and psychology, we argue that hateful memes are characterized by two essential features: a \textbf{presupposed context} and the expression of \textbf{false claims}. To capture presupposed context, we develop \textbf{PCM} for modeling contextual information across modalities. To detect false claims, we introduce the \textbf{FACT} module, which integrates external knowledge and harnesses cross-modal reference graphs. By combining PCM and FACT, we introduce \textbf{\textsf{SHIELD}}, a hateful meme detection framework designed to capture the fundamental nature of hate. Extensive experiments show that SHIELD outperforms state-of-the-art methods across datasets and metrics, while demonstrating versatility on other tasks, such as fake news detection.
• Abstract（参考訳）: ミームはしばしばユーモラスであるが、憎悪を広めるためにしばしば用いられ、個人や社会に深刻な害を与える。 ヘイトフルミーム検出への現在のアプローチは、主に事前訓練された言語モデルに依存している。 しかし、textit{What make a meme hateful} に焦点が当てられていることは少ない。 哲学と心理学からの洞察に基づいて、我々は憎しみのあるミームは二つの本質的な特徴、すなわち \textbf{presupposed context} と \textbf{false claims} の表現によって特徴づけられると主張している。 あらかじめ仮定されたコンテキストをキャプチャするために,モーダル性にまたがるコンテキスト情報をモデル化するための textbf{PCM} を開発する。 疑似クレームを検出するために,外部知識を統合し,相互参照グラフを利用する‘textbf{FACT}モジュール’を導入する。 PCM と FACT を組み合わせることで,憎悪の基本的な性質を捉えるために設計された,憎悪に満ちたミーム検出フレームワークである \textbf{\textsf{SHIELD}} を導入する。 大規模な実験により、ShiELDはデータセットやメトリクス間で最先端の手法よりも優れており、フェイクニュース検出など他のタスクに対する汎用性を示している。

関連論文リスト

• MemeReaCon: Probing Contextual Meme Understanding in Large Vision-Language Models [50.2355423914562]
  我々は,LVLM(Large Vision Language Models)がミームを本来の文脈でどのように理解するかを評価するために設計された,新しいベンチマークであるMemeReaConを紹介する。 私たちは5つのRedditコミュニティからミームを収集し、各ミームの画像、ポストテキスト、ユーザーコメントを一緒に保持しました。 モデルは文脈において重要な情報を解釈できないか、あるいはコミュニケーション目的を見越しながら視覚的詳細に過度に焦点を合わせるかのどちらかです。
  論文  参考訳（メタデータ） (2025-05-23T03:27:23Z)
• HateSieve: A Contrastive Learning Framework for Detecting and Segmenting Hateful Content in Multimodal Memes [8.97062933976566]
  textscHateSieveは、ミーム内の憎しみのある要素の検出とセグメンテーションを強化するために設計されたフレームワークである。 textscHateSieveは、セマンティックなペアのミームを生成するContrastive Meme Generatorを特徴としている。 Hateful Memeでの実証実験では、textscHateSieveはトレーニング可能なパラメータが少なく、既存のLMMを超えるだけでなく、ヘイトフルコンテンツを正確に識別し、分離するための堅牢なメカニズムを提供する。
  論文  参考訳（メタデータ） (2024-08-11T14:56:06Z)
• XMeCap: Meme Caption Generation with Sub-Image Adaptability [53.2509590113364]
  社会的な意味や文化的な詳細に深く根ざした噂は、機械にとってユニークな挑戦である。 我々は、教師付き微調整と強化学習を採用するtextscXMeCapフレームワークを紹介した。 textscXMeCapは、シングルイメージのミームの平均評価スコアが75.85、マルチイメージのミームが66.32、それぞれ最高のベースラインが6.75%と8.56%を上回っている。
  論文  参考訳（メタデータ） (2024-07-24T10:51:46Z)
• MemeGuard: An LLM and VLM-based Framework for Advancing Content Moderation via Meme Intervention [43.849634264271565]
  textitMemeGuardは,大規模言語モデル(LLM)とビジュアル言語モデル(VLM)を活用した包括的なフレームワークである。 textitMemeGuardは、特別に微調整されたVLM、textitVLMeme、ミーム解釈、マルチモーダルな知識選択とランキング機構を利用する。 我々はtextitICMM を利用して textitMemeGuard をテストする。
  論文  参考訳（メタデータ） (2024-06-08T04:09:20Z)
• Memes in the Wild: Assessing the Generalizability of the Hateful Memes Challenge Dataset [47.65948529524281]
  Pinterestからヘイトフルで非ヘイトフルなミームを収集して、Facebookデータセットで事前トレーニングされたモデルで、サンプル外のパフォーマンスを評価します。 1) キャプションをOCRで抽出しなければならない,2) ミームは従来のミームよりも多様であり, 会話のスクリーンショットやテキストをプレーンな背景に表示する,という2つの重要な側面がある。
  論文  参考訳（メタデータ） (2021-07-09T09:04:05Z)

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。