論文の概要: I Know What You Meme, Even If it Emerged Today: Understanding Evolving Memes through Open-World Knowledge Acquisition
- arxiv url: http://arxiv.org/abs/2606.05316v1
- Date: Wed, 03 Jun 2026 18:06:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.331462
- Title: I Know What You Meme, Even If it Emerged Today: Understanding Evolving Memes through Open-World Knowledge Acquisition
- Title（参考訳）: ミームの進化を理解する:オープンワールドの知識獲得を通じてミームを進化させる
- Authors: Shanhong Liu, Rui Cao, Pai Chet Ng, De Wen Soh,
- Abstract要約: マルチモーダル・ミームは動的であり、しばしば解釈の背景知識を必要とする。
Query Retrieve Concludeはゼロショットフレームワークで、不足した知識を特定し、オープンなWebエビデンスを取得する。
また、2024年から2026年までの最近のミームのキュレートされたミーム理解ベンチマークを、外部の背景知識アノテーションとともに導入した。
- 参考スコア（独自算出の注目度）: 11.50145106450645
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multimodal memes are dynamic and often require up to date background knowledge for interpretation. Existing methods often overlook such knowledge or rely on fixed parametric knowledge of pretrained models that may be incomplete, outdated, or unavailable for emerging memes. We introduce Query Retrieve Conclude, a zero shot framework that identifies missing knowledge, retrieves open web evidence, and synthesizes evidence grounded background knowledge for meme understanding and detection. We also introduce a curated meme understanding benchmark of recent memes from 2024 to 2026 with external background knowledge annotations. Experiments on three meme understanding datasets and five meme detection tasks show that our framework improves knowledge recovery, meme understanding and downstream detection over zero shot baselines.
- Abstract（参考訳）: マルチモーダル・ミームは動的であり、しばしば解釈の背景知識を必要とする。
既存の方法は、しばしばそのような知識を見落としたり、未完成、時代遅れ、あるいは新興ミームで利用できない可能性のある事前訓練されたモデルの固定されたパラメトリックな知識に依存する。
本稿では,ゼロショットフレームワークであるQuery Retrieve Concludeを紹介した。このフレームワークは,不足した知識を特定し,オープンなWebエビデンスを検索し,ミーム理解と検出のための背景知識に基づく証拠を合成する。
また、2024年から2026年までの最近のミームのキュレートされたミーム理解ベンチマークを、外部の背景知識アノテーションとともに導入した。
3つのミーム理解データセットと5つのミーム検出タスクの実験は、我々のフレームワークがゼロショットベースライン上での知識回復、ミーム理解、下流検出を改善してい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) - Improving Multimodal Hateful Meme Detection Exploiting LMM-Generated Knowledge [11.801596051153725]
ミームで憎しみのあるコンテンツを検出することが 重要な課題として現れました
我々は,LMM(Large Multimodal Models)に符号化された知識を活用した課題に取り組むことを提案する。
まず,強靭なミーム表現を構築するために,憎しみのあるミーム検出タスクを指向した知識を抽出することで,LMMを2倍に活用することを提案する。
論文 参考訳（メタデータ） (2025-04-14T06:23:44Z) - 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) - Improving Hateful Meme Detection through Retrieval-Guided Contrastive Learning [13.690436954062015]
本稿では,検索誘導型コントラスト学習により,ヘイトフルネスを考慮した埋め込み空間を構築することを提案する。
提案手法は,87.0のAUROCでHatefulMemesデータセット上での最先端性能を実現し,より大規模なマルチモーダルモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-11-14T12:14:54Z) - A Template Is All You Meme [76.03172165923058]
5,200以上のmemeテンプレート、それらに関する情報、および54,000のテンプレートインスタンスの例で構成された知識ベースを作成します。
ミームテンプレートのセマンティック信号を調べるために,データセット中のミームと知識ベースに含まれるベーステンプレートを距離ベースで検索することでマッチングできることを示す。
メメテンプレートの検証により,検討対象のデータセット毎の最先端性能が得られ,テンプレート性に基づく解析方法が確立された。
論文 参考訳（メタデータ） (2023-11-11T19:38:14Z) - Multimodal Learning for Hateful Memes Detection [6.6881085567421605]
本稿では,画像キャプション処理をミーム検出プロセスに組み込む新しい手法を提案する。
本モデルは,Hateful Memes Detection Challengeにおける有望な結果を得る。
論文 参考訳（メタデータ） (2020-11-25T16:49:15Z)
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。