論文の概要: Detecting AI-Generated Content on Social Media with Multi-modal Language Models

• arxiv url: http://arxiv.org/abs/2606.11200v1
• Date: Tue, 21 Apr 2026 20:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.824869
• Title: Detecting AI-Generated Content on Social Media with Multi-modal Language Models
• Title（参考訳）: マルチモーダル言語モデルを用いたソーシャルメディア上のAI生成コンテンツの検出
• Authors: Chenyang Yang, Shen Yan, Yibo Yang, Litao Hu, Yuchen Liu, Yuan Zeng, Hanchao Yu, Yinan Zhu, Sumedha Singla, Brian Vanover, Huijun Qian, Zihao Wang, Fujun Liu, Aashu Singh, Jianyu Wang, Xuewen Zhang,
• Abstract要約: 既存のAIGC検出手法は、新しい世代モデルへの一般化の欠如を含む課題に直面している。 多様なマルチモーダルなソーシャルメディアデータをキュレートすることで、これらの問題を緩和するパイプラインを提示する。 提案モデルは,公開ベンチマーク上での最先端検出性能を実現し,ロバストな検出と説明機能を示す。
• 参考スコア（独自算出の注目度）: 47.35729326899949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI has enabled the creation of photorealistic images and videos that are increasingly disseminated on social media, often used for spam, misinformation, manipulation, and fraud. Existing AI-generated content (AIGC) detection methods face challenges including poor generalization to new generation models, reliance on single modalities, and lack of interpretable explanations. We present our pipeline that mitigates these issues by continuously curating diverse multi-modal social media data and training a compact vision-language model for detection and explanation. Our model achieves state-of-the-art detection performance on public benchmarks and demonstrates robust detection and explanation capabilities on internal social media datasets across multiple platforms. We deployed our model for post recommendation on social media platforms and observed positive downstream impacts on user engagement, demonstrating that it is feasible to perform effective AIGC detection in dynamic, real-world social media environments.
• Abstract（参考訳）: ジェネレーティブAIは、ソーシャルメディアに拡散する写真リアリスティック画像やビデオの作成を可能にし、しばしばスパム、誤報、操作、詐欺に使用される。 既存のAIGC検出手法は、新しい世代モデルへの一般化の貧弱さ、単一モダリティへの依存、解釈可能な説明の欠如など、課題に直面している。 多様なマルチモーダルなソーシャルメディアデータを継続的にキュレートし、検出と説明のためのコンパクトな視覚言語モデルを訓練することにより、これらの問題を緩和するパイプラインを提案する。 提案モデルでは,複数のプラットフォームにまたがる内部ソーシャルメディアデータセットに対して,最先端の検出性能とロバストな検出と説明能力を示す。 我々は、ソーシャルメディアプラットフォームにポストレコメンデーションのためのモデルをデプロイし、ユーザーエンゲージメントに肯定的なダウンストリームの影響を観察し、動的で現実世界のソーシャルメディア環境で効果的なAIGC検出を行うことが可能であることを実証した。

関連論文リスト

• Adversarial Creation and Detection of AI-Generated Social Bot Content [48.21614389337061]
  既存のAI生成コンテンツ検出モデルは、主に地上データがないために、荒野で失敗することが多い。 我々は、悪質なアクターによる実際のソーシャルメディアユーザーの偽装をモデル化する敵対的手法を通じて、このギャップに対処する。 提案手法は,実世界のアウト・オブ・ディストリビューションデータにおいて,コンテンツに基づくボット検出のための既存のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-06-05T12:32:47Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• Towards Online Multi-Modal Social Interaction Understanding [36.37278022436327]
  本稿では,記録された対話やビデオストリームなどの履歴情報のみを用いて,MMSIタスクをモデルが解決しなければならないオンラインMMSI設定を提案する。 マルチパーティ会話予測とソーシャル・アウェア・ビジュアル・プロンプトという2つの補完的戦略を活用する新しいフレームワークである Online-MMSI-VLM を開発した。 提案手法は最先端の性能を達成し,ベースラインモデルを大幅に上回り,オンラインMMSIにおける有効性を示す。
  論文  参考訳（メタデータ） (2025-03-25T17:17:19Z)
• SoMeLVLM: A Large Vision Language Model for Social Media Processing [78.47310657638567]
  ソーシャルメディア処理のための大規模ビジョン言語モデル(SoMeLVLM)を提案する。 SoMeLVLMは、知識と理解、応用、分析、評価、作成を含む5つの重要な機能を備えた認知フレームワークである。 実験により,複数のソーシャルメディアタスクにおいて,SoMeLVLMが最先端のパフォーマンスを達成できることが実証された。
  論文  参考訳（メタデータ） (2024-02-20T14:02:45Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Misinformation Detection in Social Media Video Posts [0.4724825031148411]
  ソーシャルメディアプラットフォームによるショートフォームビデオは、ソーシャルメディアプロバイダーにとって重要な課題となっている。 本研究では,ソーシャルメディア投稿における誤情報検出手法を開発し,ビデオやテキストなどのモダリティを活用する。 われわれはTwitterから16万の動画投稿を収集し、自己教師付き学習を活用して、共同視覚およびテキストデータの表現表現を学ぶ。
  論文  参考訳（メタデータ） (2022-02-15T20:14:54Z)

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。