論文の概要: HarassGuard: Detecting Harassment Behaviors in Social Virtual Reality with Vision-Language Models
- arxiv url: http://arxiv.org/abs/2604.00592v1
- Date: Wed, 01 Apr 2026 07:59:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.89288
- Title: HarassGuard: Detecting Harassment Behaviors in Social Virtual Reality with Vision-Language Models
- Title（参考訳）: HarassGuard:視覚言語モデルを用いたソーシャルバーチャルリアリティにおけるハラスメント行動の検出
- Authors: Junhee Lee, Minseok Kim, Hwanjo Heo, Seungwon Woo, Jinwoo Kim,
- Abstract要約: 本稿では,視覚入力のみを用いて,ソーシャルVRにおける身体的ハラスメントを検出する視覚言語モデル(VLM)システムであるHarassGuardを紹介する。
HarassGuardは最先端のベースラインに比べて競争力がある。
- 参考スコア（独自算出の注目度）: 9.701678218176268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social Virtual Reality (VR) platforms provide immersive social experiences but also expose users to serious risks of online harassment. Existing safety measures are largely reactive, while proactive solutions that detect harassment behavior during an incident often depend on sensitive biometric data, raising privacy concerns. In this paper, we present HarassGuard, a vision-language model (VLM) based system that detects physical harassment in social VR using only visual input. We construct an IRB-approved harassment vision dataset, apply prompt engineering, and fine-tune VLMs to detect harassment behavior by considering contextual information in social VR. Experimental results demonstrate that HarassGuard achieves competitive performance compared to state-of-the-art baselines (i.e., LSTM/CNN, Transformer), reaching an accuracy of up to 88.09% in binary classification and 68.85% in multi-class classification. Notably, HarassGuard matches these baselines while using significantly fewer fine-tuning samples (200 vs. 1,115), offering unique advantages in contextual reasoning and privacy-preserving detection.
- Abstract（参考訳）: ソーシャルバーチャルリアリティ(VR)プラットフォームは没入型ソーシャルエクスペリエンスを提供すると同時に、オンラインハラスメントの深刻なリスクにユーザをさらけ出す。
既存の安全対策は、主にリアクティブだが、インシデント中のハラス行為を検出するプロアクティブなソリューションは、敏感なバイオメトリックデータに依存し、プライバシの懸念を高める。
本稿では,視覚入力のみを用いて,ソーシャルVRにおける身体的ハラスメントを検出する視覚言語モデル(VLM)システムであるHarassGuardを提案する。
IRBが承認したハラスメント・ビジョン・データセットを構築し、プロンプトエンジニアリングと微調整VLMを適用し、ソーシャルVRにおけるコンテキスト情報を考慮したハラスメント行動を検出する。
実験の結果、HarassGuardは最先端のベースライン(LSTM/CNN、Transformer)と比較して競争性能が向上し、最大88.09%のバイナリ分類、68.85%のマルチクラス分類が達成された。
特にHarassGuardは、これらのベースラインにマッチし、微調整サンプル(200対115対115)をはるかに少なくし、コンテキスト推論とプライバシ保護検出においてユニークなアドバンテージを提供する。
関連論文リスト
- Single-Pixel Vision-Language Model for Intrinsic Privacy-Preserving Behavioral Intelligence [55.512671026669516]
安全な環境モニタリングを再現する新しいフレームワークSP-VLM(Single-Pixel Vision-Language Model)を提案する。
それは本質的に低次元の1ピクセルのモダリティを通して人間のダイナミクスを捉えることによって、固有のプライバシ・バイ・デザインを実現する。
いずれにせよ,SP-VLMは意味ある行動意味を抽出し,ロバストな異常検出,数え方,行動理解を可能にしている。
論文 参考訳（メタデータ） (2026-01-21T09:11:26Z) - Weapons of Online Harassment: Menacing and Profiling Users via Social Apps [11.031258159143329]
アプリレビューではしばしばハラスメントが書かれています。
私たちは300万以上のレビューと1,800以上のアプリからなるデータセットを構築しました。
私たちは、ハラスメントを許容する1,395のアプリを特定し、トップ48の開発者に対して、ユーザ報告されたハラスメントが最も高いことを通知しました。
論文 参考訳（メタデータ） (2025-11-12T21:58:39Z) - Strategic Dishonesty Can Undermine AI Safety Evaluations of Frontier LLMs [95.06033929366203]
大規模言語モデル(LLM)開発者は、モデルが誠実で、有用で、無害であることを目標としている。
我々は,フロンティアLSMが,他の選択肢が利用可能であっても,新たな戦略として不便さを優先して開発可能であることを示す。
偽装する確率の明確な原因は見つからないが、より有能なモデルがこの戦略を実行するのに優れていることを示す。
論文 参考訳（メタデータ） (2025-09-22T17:30:56Z) - False Reality: Uncovering Sensor-induced Human-VR Interaction Vulnerability [15.246996684892348]
False Realityは、ソフトウェアへのアクセスや修正を必要とせず、VRデバイスに対する新たな脅威だ。
我々はこれらの脅威を攻撃経路の枠組みを通じて形式化し、3つの代表的な経路を検証する。
今後のVRシステムのセキュリティとレジリエンスを高めるための貴重な洞察を提供する。
論文 参考訳（メタデータ） (2025-08-11T14:47:23Z) - Building Proactive and Instant-Reactive Safety Designs to Address Harassment in Social Virtual Reality [6.7208598234543775]
本研究では,ソーシャルVRにおけるハラスメントを軽減するために,アクティブかつ即時対応型の安全設計を探求し,設計する。
我々はPufferを実装している。Pufferは、プロアクティブでインスタントな機能のスイートを含む、統合された安全システムである。
我々は、Pufferが緊急時にプレイヤーを保護し、社会的規範を育み、よりポジティブな社会的相互作用を創出するのに役立つ証拠を見つける。
論文 参考訳（メタデータ） (2025-04-08T08:05:11Z) - Enabling Developers, Protecting Users: Investigating Harassment and
Safety in VR [7.404772554852628]
本研究では,安全管理のユーザビリティと有効性に対するユーザの認識と,VR安全管理の設計と展開において開発者が直面する課題について検討する。
私たちは、混み合った仮想空間のユーザーをブロックするなど、安全管理を採用する際にVRユーザーが直面する課題を特定します。
仮想環境におけるユーザの安全性を高めるための技術的・法的ガイドラインを確立することの重要性を強調した。
論文 参考訳（メタデータ） (2024-03-08T18:15:53Z) - Privacy-Preserving Gaze Data Streaming in Immersive Interactive Virtual Reality: Robustness and User Experience [11.130411904676095]
アイトラッキングデータが露出すれば、再識別攻撃に使用できる。
対話型VRアプリケーションのためのリアルタイムプライバシメカニズムを評価する手法を開発した。
論文 参考訳（メタデータ） (2024-02-12T14:53:12Z) - Deep Motion Masking for Secure, Usable, and Scalable Real-Time Anonymization of Virtual Reality Motion Data [49.68609500290361]
最近の研究では、ほぼすべてのVRアプリケーションで使われているモーショントラッキングの「テレメトリ」データが、指紋スキャンと同じくらいに識別可能であることが示されている。
本稿では、既知の防御対策を確実に回避できる最先端のVR識別モデルを提案する。
論文 参考訳（メタデータ） (2023-11-09T01:34:22Z) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳（メタデータ） (2023-08-21T22:42:55Z) - Unique Identification of 50,000+ Virtual Reality Users from Head & Hand
Motion Data [58.27542320038834]
多数のリアルVRユーザーが頭と手の動きだけで複数のセッションで一意かつ確実に識別できることを示す。
個人あたり5分のデータで分類モデルをトレーニングした後、ユーザーは100秒の動作から94.33%の精度で50,000以上のプール全体で一意に識別することができる。
この研究は、バイオメカニクスがVRのユニークな識別子として機能しうる範囲を、顔認証や指紋認識などの広く使われている生体認証と同等に真に示す最初のものである。
論文 参考訳（メタデータ） (2023-02-17T15:05:18Z)
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。