論文の概要: UNIVID: Unified Vision-Language Model for Video Moderation

• arxiv url: http://arxiv.org/abs/2606.05748v1
• Date: Thu, 04 Jun 2026 06:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.590234
• Title: UNIVID: Unified Vision-Language Model for Video Moderation
• Title（参考訳）: UNIVID:ビデオモデレーションのための統一ビジョンランゲージモデル
• Authors: Kejuan Yang, Yizhuo Zhang, Mingyuan Du, Yue Zhang, Dixin Zheng, Kaili Zhao, Yang Xiao, Hanzhong Liang, Kenan Xiao,
• Abstract要約: ビデオモデレーションのためのUNIfied Vision-erationモデルUNIVIDを提案する。 標準的な分類モデルとは異なり、UNIVIDは解釈可能な中間表現として機能するポリシー対応キャプションを生成する。 我々は,違反リークを42.7%削減し,オーバーキル率を37.0%削減する新しいエンドツーエンドビデオモデレーションシステムを設計する。
• 参考スコア（独自算出の注目度）: 9.825603870387265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global-scale video moderation faces a dual challenge: the need for fine-grained multi-modal reasoning and the demand for interpretable outputs to support downstream enforcement. Traditional moderation systems often rely on fragmented black-box classifiers that are difficult to maintain and lack transparency. In this paper, we present UNIVID, a UNIfied VIsion-language model for video moDeration. Unlike standard classification models, UNIVID generates policy-aware captions that serve as an interpretable intermediate representation, enabling human-verifiable decisions and multi-task reusability. While existing open-source and commercial VLMs often suffer from safety-guardrail refusals and lack fine-grained policy alignment, we develop a specialized training data recipe that combines expert human-refined labels with synthetic data to align the model with our safety guidelines. By integrating UNIVID as the core captioner, we design a novel end-to-end video moderation system that reduces violation leakage by 42.7% and overkill rate by 37.0% relatively. Meanwhile, by replacing over 1,000 policy-specific models with a single UNIVID backbone, we recycled extensive computation resources while reducing engineering maintenance overhead. To our knowledge, this is one of the first reports of a high-efficiency captioning VLM successfully supporting industrial-scale moderation and cross-functional business.
• Abstract（参考訳）: 世界規模のビデオモデレーションは、細粒度のマルチモーダル推論の必要性と、下流の執行をサポートするための解釈可能な出力の要求という2つの課題に直面している。 従来のモデレーションシステムは、保守が困難で透明性が欠如している断片化されたブラックボックス分類器に依存していることが多い。 本稿では,ビデオモデレーションのためのUNIVID,UNNIfied VIsion言語モデルを提案する。 標準的な分類モデルとは異なり、UNIVIDは解釈可能な中間表現として機能し、人間の検証可能な決定とマルチタスクの再利用を可能にするポリシー対応キャプションを生成する。 既存のオープンソースおよび商用VLMは、しばしば安全ガードレールの拒絶に悩まされ、きめ細かなポリシーアライメントが欠如している。 UNIVIDを中核キャプタとして統合することにより、違反リークを42.7%削減し、オーバーキルレートを37.0%削減する、新しいエンドツーエンドビデオモデレーションシステムを設計する。 一方、1,000以上のポリシー固有のモデルを単一のUNIVIDバックボーンに置き換えることで、広範な計算資源を再利用し、エンジニアリングのメンテナンスオーバーヘッドを低減した。 我々の知る限り、これは産業規模の調整とクロスファンクショナルビジネスを成功に導いた高効率キャプションVLMの最初の報告の1つである。

関連論文リスト

• MoA-VR: A Mixture-of-Agents System Towards All-in-One Video Restoration [62.929029990341796]
  実世界のビデオは、ノイズ、圧縮アーティファクト、低照度歪みなどの複雑な劣化に悩まされることが多い。 3つの協調エージェントによる人間のプロの推論・処理手順を模倣したMoA-VRを提案する。 具体的には、大規模かつ高解像度なビデオ劣化認識ベンチマークを構築し、視覚言語モデル(VLM)による劣化識別子を構築する。
  論文  参考訳（メタデータ） (2025-10-09T17:42:51Z)
• OneCAT: Decoder-Only Auto-Regressive Model for Unified Understanding and Generation [91.45421429922506]
  OneCATは、理解、生成、編集をシームレスに統合する統合マルチモーダルモデルである。 我々のフレームワークは、推論中に視覚変換器(ViT)や視覚トークン化器などの外部コンポーネントを不要にする。
  論文  参考訳（メタデータ） (2025-09-03T17:29:50Z)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• Filter-And-Refine: A MLLM Based Cascade System for Industrial-Scale Video Content Moderation [21.18948097612397]
  本稿では,ジェネレーティブMLLMを最小識別学習データを用いたマルチモーダル分類器に変換する効率的な手法を提案する。 そこで我々は,MLLMと軽量ルータモデルを統合するルータレベルのカスケードシステムを提案する。 オンライン評価では,本システムでは自動コンテンツモデレーション量を41%増加させ,カスケード展開では計算コストを1.5%に削減した。
  論文  参考訳（メタデータ） (2025-07-23T04:52:58Z)
• A Unified Debiasing Approach for Vision-Language Models across Modalities and Tasks [12.313257689227013]
  本稿では,機能プルーニングと低信頼プルーテーションを統合した新しい手法であるSelective Feature Imputation for Debiasing(SFID)を紹介する。 SFIDは多用途であり、出力のセマンティックな整合性を維持し、再訓練の必要性をなくすことで費用対効果を発揮できる。 実験の結果,ゼロショット分類,テキスト・ツー・イメージ検索,画像キャプション,テキスト・ツー・イメージ生成など,様々なVLMタスクにおけるSFIDの有効性が示された。
  論文  参考訳（メタデータ） (2024-10-10T03:57:48Z)
• Preserving Multi-Modal Capabilities of Pre-trained VLMs for Improving Vision-Linguistic Compositionality [69.76121008898677]
  きめ細かい選択校正CLIPは局所的硬陰性損失と選択的校正正規化を統合している。 評価の結果、FSC-CLIPは、最先端モデルと同等の合成性を達成できるだけでなく、強力なマルチモーダル能力を保っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-07T17:16:20Z)

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。