論文の概要: All Changes May Have Invariant Principles: Improving Ever-Shifting Harmful Meme Detection via Design Concept Reproduction

• arxiv url: http://arxiv.org/abs/2601.04567v1
• Date: Thu, 08 Jan 2026 03:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.026182
• Title: All Changes May Have Invariant Principles: Improving Ever-Shifting Harmful Meme Detection via Design Concept Reproduction
• Title（参考訳）: すべての変更には不変の原則があるかもしれない:デザインコンセプトの再現を通じて、絶え間なく変化する有害なミームの検出を改善する
• Authors: Ziyou Jiang, Mingyang Li, Junjie Wang, Yuekai Huang, Jie Huang, Zhiyuan Chang, Zhaoyang Li, Qing Wang,
• Abstract要約: 本稿では,デザイン概念の再現に基づく,常に変化する有害なミーム検出手法であるRepMDを提案する。 RepMDは81.1%で最高精度を達成し、タイプシフトや時間進化のミームに一般化するとわずかに精度が低下する。
• 参考スコア（独自算出の注目度）: 23.203924634469104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Harmful memes are ever-shifting in the Internet communities, which are difficult to analyze due to their type-shifting and temporal-evolving nature. Although these memes are shifting, we find that different memes may share invariant principles, i.e., the underlying design concept of malicious users, which can help us analyze why these memes are harmful. In this paper, we propose RepMD, an ever-shifting harmful meme detection method based on the design concept reproduction. We first refer to the attack tree to define the Design Concept Graph (DCG), which describes steps that people may take to design a harmful meme. Then, we derive the DCG from historical memes with design step reproduction and graph pruning. Finally, we use DCG to guide the Multimodal Large Language Model (MLLM) to detect harmful memes. The evaluation results show that RepMD achieves the highest accuracy with 81.1% and has slight accuracy decreases when generalized to type-shifting and temporal-evolving memes. Human evaluation shows that RepMD can improve the efficiency of human discovery on harmful memes, with 15$\sim$30 seconds per meme.
• Abstract（参考訳）: 有害ミームはインターネットコミュニティにおいて常に変化しており、そのタイプシフトと時間進化の性質から分析することは困難である。 これらのミームは変化しつつあるが、異なるミームは不変の原則、すなわち悪質なユーザーの設計概念を共有することがあり、これらのミームが有害である理由を分析するのに役立つ。 本稿では,デザイン概念の再現に基づく,常に変化する有害なミーム検出手法であるRepMDを提案する。 まず、攻撃木を参照して、有害なミームを設計するためのステップを記述したデザインコンセプトグラフ(DCG)を定義します。 次に,DCGを設計ステップの再現とグラフプルーニングによる歴史的ミームから導出する。 最後に, 有害ミームを検出するため, MLLM(Multimodal Large Language Model)を誘導するためにDCGを用いる。 その結果、RepMDは81.1%の精度で高い精度を達成でき、タイプシフトや時間進化のミームに一般化するとわずかに精度が低下することがわかった。 人間による評価は、RepMDが有害ミームのヒト発見の効率を15$\sim$30秒で改善できることを示している。

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)
• Evolver: Chain-of-Evolution Prompting to Boost Large Multimodal Models for Hateful Meme Detection [49.122777764853055]
  ヘイトフルミーム検出のためのLMM(Large Multimodal Models)の可能性を探る。 提案するEvolverは,Chain-of-Evolution (CoE) Promptingを介してLMMを組み込む。 Evolverは、ステップバイステップでLMMを通してミームと理由の進化と表現のプロセスをシミュレートする。
  論文  参考訳（メタデータ） (2024-07-30T17:51:44Z)
• What Makes a Meme a Meme? Identifying Memes for Memetics-Aware Dataset Creation [0.9217021281095907]
  マルチモーダルインターネットミームは現在、オンライン談話におけるユビキタスなフィクスチャとなっている。 ミームはミームを模倣してシンボルに変換する過程である。 我々は,ミームと非ミームコンテンツとを識別するミーム識別プロトコルを開発した。
  論文  参考訳（メタデータ） (2024-07-16T15:48:36Z)
• On the Evolution of (Hateful) Memes by Means of Multimodal Contrastive Learning [18.794226796466962]
  複数の画像から視覚要素を合成したり、テキスト情報をヘイトフル画像と融合させたりすることで、ヘイトフルミームがどのように生成されるかを研究する。 4chanから抽出したデータセット上の我々のフレームワークを用いて、Happy Merchantミームの3.3K変種を見つける。 我々のフレームワークは、ヘイトフルミームの新たな変種をフラグ付けすることで、人間のモデレーターを助けることができると期待している。
  論文  参考訳（メタデータ） (2022-12-13T13:38:04Z)
• Detecting Harmful Memes and Their Targets [27.25262711136056]
  COVID-19に関連する3,544のミームを含む最初のベンチマークデータセットであるHarMemeを紹介します。 第1段階では、ミームを非常に有害、部分的に有害、または無害とラベル付けし、第2段階では、有害ミームが示す標的の種類をさらにアノテートした。 10の単一モーダルモデルとマルチモーダルモデルによる評価結果は、両方のタスクにマルチモーダル信号を使用することの重要性を強調している。
  論文  参考訳（メタデータ） (2021-09-24T17:11:42Z)
• MOMENTA: A Multimodal Framework for Detecting Harmful Memes and Their Targets [28.877314859737197]
  我々は,有害ミームの検出と,対象とする社会的実体の特定という,新たな2つの課題を解決しようとしている。 特に,有害ミームの検出と,対象とする社会的実体の特定という,新たな2つの課題の解決を目指す。 我々は,世界的および地域的視点を用いて有害ミームを検出する,新しいマルチモーダル(テキスト+画像)ディープニューラルモデルMOMENTAを提案する。
  論文  参考訳（メタデータ） (2021-09-11T04:29:32Z)
• 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。