論文の概要: CFMS: Towards Explainable and Fine-Grained Chinese Multimodal Sarcasm Detection Benchmark

• arxiv url: http://arxiv.org/abs/2604.16372v1
• Date: Mon, 23 Mar 2026 15:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.940138
• Title: CFMS: Towards Explainable and Fine-Grained Chinese Multimodal Sarcasm Detection Benchmark
• Title（参考訳）: CFMS: 説明可能かつ微細な中国のマルチモーダルサーカスム検出ベンチマークを目指して
• Abstract要約: CFMSは中国のソーシャルメディア向けに開発された,初の微細なマルチモーダルサルカムデータセットである。 精細な説明アノテーションは、明示的なサーカシックな意図による画像生成において、AIを効果的に導く。 従来の検索手法の制約を克服するため,強化学習型インコンテキスト学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 11.646782931569026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal sarcasm detection has recently garnered significant attention. However, existing benchmarks suffer from coarse-grained annotations and limited cultural coverage, which hinder research into fine-grained semantic understanding. To address this, we construct CFMS, the first fine-grained multimodal sarcasm dataset tailored for Chinese social media. It comprises 2,796 high-quality image-text pairs and provides a triple-level annotation framework: sarcasm identification, target recognition, and explanation generation. We find that the fine-grained explanation annotations effectively guide AI in generating images with explicit sarcastic intent. Furthermore, we curate a high-consistency parallel Chinese-English metaphor subset (200 entries each), revealing significant limitations of current models in metaphoric reasoning. To overcome the constraints of traditional retrieval methods, we propose a Reinforcement Learning-augmented In-Context Learning strategy (PGDS) to dynamically optimize exemplar selection. Extensive experiments demonstrate that CFMS provides a solid foundation for building reliable multimodal sarcasm understanding systems, and the PGDS method significantly outperforms existing baselines on key tasks. Our data and code are available at https://anonymous.4open.science/r/CFMS-E8F9.
• Abstract（参考訳）: マルチモーダルサルカズム検出は近年注目されている。 しかし、既存のベンチマークは粗い注釈と限定的な文化的カバレッジに悩まされており、粒度のセマンティック理解の研究を妨げている。 これを解決するために,中国ソーシャルメディア向けに開発された,初の微細なマルチモーダルサルカムデータセットCFMSを構築した。 高品質な画像テキストペア2,796からなり、サルカズム識別、ターゲット認識、説明生成という3段階のアノテーションフレームワークを提供する。 精細な説明アノテーションは、明示的なサーカシックな意図による画像生成において、AIを効果的に導く。 さらに,高一貫性の中国語-英語メタファーサブセット(それぞれ200エントリ)をキュレートし,メタファ的推論における現行モデルの大幅な制限を明らかにした。 従来の検索手法の制約を克服するため,既存の選択を動的に最適化する強化学習型インコンテキスト学習戦略(PGDS)を提案する。 大規模実験により、CFMSは信頼性の高いマルチモーダル・サルカズム理解システムを構築するための確固たる基盤を提供し、PGDS法はキータスクにおける既存のベースラインを大幅に上回ることを示した。 私たちのデータとコードはhttps://anonymous.4open.science/r/CFMS-E8F9.orgで公開されています。

関連論文リスト

• Achieving Text-based Person Retrieval with Any Granularity [80.69427598925718]
  本稿では、任意の粒度を持つテキストベースの人物検索という新しいパラダイムを紹介する。 5段階の粒度スペクトルを定式化し,高品質な多粒度アノテートデータセットであるUFine6926-MGを構築した。 次に、クロスモーダルな多重粒度アライニングおよびマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-23T08:42:25Z)
• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• GRASP: Grounded CoT Reasoning with Dual-Stage Optimization for Multimodal Sarcasm Target Identification [26.21876180083083]
  GRASPは、ブラックボックスMSTIを越えようという明確なChain-of-Thought(CoT)推論とビジュアルグラウンドを統合したフレームワークである。 我々は,Sarcasm 関連視覚領域を推論軌道内に明示的に固定する Grounded CoT 推論を導入した。 データセットとソースコードはGitHubでリリースされます。
  論文  参考訳（メタデータ） (2026-04-10T02:38:14Z)
• Context-Aware Pragmatic Metacognitive Prompting for Sarcasm Detection [0.0]
  現在、事前訓練された言語モデル(PLM)とLarge Language Model(LLM)がサルカズム検出の好ましいアプローチである。 対象テキスト毎に検索したコンテキスト情報を組み込んだ検索対応手法を提案する。 非パラメトリック検索により、オリジナルのPMP法と比較して9.87%のマクロF1がTwitter Indonesia Sarcasticで改善された。
  論文  参考訳（メタデータ） (2025-11-26T05:19:31Z)
• Vision-Free Retrieval: Rethinking Multimodal Search with Textual Scene Descriptions [81.33113485830711]
  視覚言語モデルに対して,視覚のない単一エンコーダ検索パイプラインを導入する。 VLLM生成した構造化画像記述の助けを借りてテキストからテキストへ移行する。 提案手法は,複数検索および構成性ベンチマークにおいて,最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-09-23T16:22:27Z)
• Can Large Vision-Language Models Understand Multimodal Sarcasm? [14.863320201956963]
  サルカスム(Sarcasm)は、リテラルと意図された意味の相違を含む複雑な言語現象である。 マルチモーダルサルカズム解析(MSA)タスクにおける大規模視覚言語モデル(LVLM)の評価を行った。 深度オブジェクト抽出と外部概念知識を統合した学習自由フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-05T17:05:11Z)
• METER: Multi-modal Evidence-based Thinking and Explainable Reasoning -- Algorithm and Benchmark [48.78602579128459]
  本稿では,画像,ビデオ,音声,映像コンテンツにまたがる偽造検出のための統合ベンチマークMETERを紹介する。 我々のデータセットは4つのトラックから構成されており、それぞれのトラックは実際のvsフェイク分類だけでなく、エビデンスチェーンに基づく説明も必要である。
  論文  参考訳（メタデータ） (2025-07-22T03:42:51Z)
• Towards General Visual-Linguistic Face Forgery Detection(V2) [90.6600794602029]
  顔操作技術は大きな進歩を遂げ、セキュリティと社会的信頼に深刻な課題を呈している。 近年の研究では、マルチモーダルモデルを活用することで、顔偽造検出の一般化と解釈可能性を高めることが示されている。 初期領域と型識別にフォージェリマスクを活用することで,正確なテキスト記述を生成する新しいアノテーションパイプラインである Face Forgery Text Generator (FFTG) を提案する。
  論文  参考訳（メタデータ） (2025-02-28T04:15:36Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-24T09:09:20Z)
• Multi-source Semantic Graph-based Multimodal Sarcasm Explanation Generation [53.97962603641629]
  本稿では,mulTi-source sEmantic grAph-based Multimodal sarcasm explanation scheme, TEAMを提案する。 TEAMは、入力画像から従来のグローバルな視覚的特徴の代わりに、オブジェクトレベルのセマンティックメタデータを抽出する。 TEAMはマルチソース意味関係を包括的に特徴付けるマルチソース意味グラフを導入している。
  論文  参考訳（メタデータ） (2023-06-29T03:26:10Z)
• Multi-modal Sarcasm Detection and Humor Classification in Code-mixed Conversations [14.852199996061287]
  我々は,会話対話におけるマルチモーダルサルカズム検出とユーモア分類のための,ヒンディー語と英語の混成データセットMaSaCを開発した。 発話分類のための新しい注目度の高いニューラルアーキテクチャであるMSH-COMICSを提案する。
  論文  参考訳（メタデータ） (2021-05-20T18:33:55Z)

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。