論文の概要: CLARA: Clip-Level Multimodal Alignment with VLM-Derived Rationales for Hateful Video Detection

• arxiv url: http://arxiv.org/abs/2608.15905v1
• Date: Sun, 16 Aug 2026 19:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.464952
• Title: CLARA: Clip-Level Multimodal Alignment with VLM-Derived Rationales for Hateful Video Detection
• Title（参考訳）: CLARA: ヘイトフルビデオ検出のためのVLM法に基づくClip-Level Multimodalアライメント
• Abstract要約: 本稿では,ヘイトフルビデオ検出のためのクリップレベルのマルチモーダルフレームワークであるCLARAを提案する。 ビデオを単一のインスタンスとして扱う代わりに、CLARAはそれを細かなクリップのシーケンスとしてモデル化する。 3つのヘイトフルなビデオデータセットの実験では、CLARAは最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.553401928926457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hateful video detection has become increasingly important with the rapid growth of video-centric social media platforms, given the serious risks that hate speech poses to both individual well-being and social cohesion. Compared with text or static multimodal content, hateful video detection remains underexplored and significantly more challenging, as hateful meaning often arises from complex interactions among multimodal cues, including speech, audio, and visual content. Moreover, such signals are often brief, implicit, and temporally dependent, making them difficult to capture using conventional video-level representations. In this work, we propose CLARA, a clip-level multimodal framework for hateful video detection. Instead of treating a video as a single instance, CLARA models it as a sequence of fine-grained clips, enabling more precise capture of temporally localized hateful signals. We introduce a Mixture-of-Experts clip encoder for adaptive multimodal alignment, a local-global segment contrastive objective to jointly model short-term cues and long-range temporal dependencies, and VLM-derived rationales integrated via a gated Transformer to provide high-level semantic guidance. Extensive experiments on three hateful video datasets demonstrate that CLARA consistently outperforms state-of-the-art methods. Further ablation studies and parameter analyses validate the effectiveness of each component.
• Abstract（参考訳）: 個人の幸福と社会的結束の両方にヘイトスピーチがもたらす深刻なリスクを考えると、ビデオ中心のソーシャルメディアプラットフォームが急速に成長するにつれて、ヘイトフルなビデオ検出がますます重要になっている。 テキストや静的なマルチモーダルコンテンツと比較すると、ヘイトフルなビデオ検出は、音声、オーディオ、ビジュアルコンテンツなど、多モーダルなキュー間の複雑な相互作用からしばしば起こるため、探索が過小評価され、非常に難しいままである。 さらに、このような信号はしばしば短く、暗黙的であり、時間的に依存しているため、従来のビデオレベルの表現ではキャプチャが困難である。 本研究では,ヘイトフルビデオ検出のためのクリップレベルのマルチモーダルフレームワークであるCLARAを提案する。 CLARAは、ビデオを単一のインスタンスとして扱う代わりに、それを細かなクリップのシーケンスとしてモデル化し、時間的に局所化されたヘイトフルな信号をより正確にキャプチャする。 適応型マルチモーダルアライメントのためのMixture-of-Expertsクリップエンコーダ,短期的キューと長期的時間的依存関係を共同でモデル化するローカル・グローバルセグメントのコントラスト目的,そしてゲートトランスフォーマーを介してVLM由来の合理性を統合して高レベルなセマンティックガイダンスを提供する。 3つのヘイトフルなビデオデータセットに対する大規模な実験は、CLARAが最先端の手法を一貫して上回っていることを示している。 さらなるアブレーション研究とパラメータ分析により,各成分の有効性が検証された。

関連論文リスト

• VideoScout: Learning Agentic Active Exploration with Adaptive Reasoning Pacing for Long Video Understanding [61.00809248898572]
  ロングビデオ理解(英: Long video understanding)とは、エージェントが時間軸に沿って回転してビデオを読み取る問題である。 適応推論によるSEAパラダイムをインスタンス化するマルチターン推論エージェントである textbfVideoScout を提案する。 長いビデオ理解と推論のベンチマーク実験により、我々の7Bモデルは、既存の訓練された7Bエージェントモデルと比較して、強い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-14T14:04:03Z)
• Explainable Forensics of Manipulated Segments in Untrimmed Long Videos [50.190474724159465]
  時間的AI生成セグメンテーションの局所化と説明のタスクを定式化する。 多様な操作パターンと豊富なアノテーション信号を備えた12,472の未トリミングビデオからなる大規模ベンチマークであるTASLEを紹介する。 そこで本稿では,MLLMに基づく精密な境界ローカライゼーションと解釈可能な推論のためのリファインメントモジュールと,効率的な長ビデオスキャンのためのバウンダリ感性提案生成モジュールを組み合わせた,粗大な法医学ベースラインであるMSLocを提案する。
  論文  参考訳（メタデータ） (2026-06-01T15:48:38Z)
• Fewer Steps, Better Performance: Efficient Cross-Modal Clip Trimming for Video Moment Retrieval Using Language [60.91064560080974]
  本稿では,クエリ関連クリップをトリムするスポットVMRを提案する。 提案するSpotVMRは,最新のVMR手法の効率性を実現するプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2026-05-28T11:42:28Z)
• Mode Seeking meets Mean Seeking for Fast Long Video Generation [79.62764340469]
  ビデオ生成を数秒から数分にスケールすることは、重大なボトルネックに直面している。 そこで本研究では,モードシーキングが平均シーキングに適合する訓練パラダイムを提案する。 本手法は局所的なシャープネス, 動き, 長距離一貫性を両立させることにより, 比重-水平ギャップを効果的に解消する。
  論文  参考訳（メタデータ） (2026-02-27T18:59:02Z)
• CounterVid: Counterfactual Video Generation for Mitigating Action and Temporal Hallucinations in Video-Language Models [66.56549019393042]
  ビデオ言語モデル(VLM)は、強いマルチモーダル理解を実現するが、特に行動や時間秩序を推論する場合、幻覚を起こす傾向にある。 本稿では,シーンコンテキストを保ちながら,アクションや時間構造が異なる映像を合成する,対物映像生成のためのスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T10:03:07Z)
• MultiHateLoc: Towards Temporal Localisation of Multimodal Hate Content in Online Videos [22.175314789730667]
  MultiHateLocは、弱教師付きマルチモーダルヘイトローカライゼーションのためのフレームワークである。 微粒で解釈可能なフレームレベルの予測を生成する。 HateMMとMultiHateClipの実験により,本手法がローカライゼーションタスクにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-12-11T08:18:22Z)
• Revealing Temporal Label Noise in Multimodal Hateful Video Classification [17.69786804367003]
  ラベルのあいまいさがきめ細かなアプローチによる影響について検討する。 我々は、アノテーション付きタイムスタンプを使用して、HateMMとMultiHateClipの英語データセットから憎しみのあるビデオをトリムする。 次に、これらのトリミングされたセグメントの探索分析を行い、ヘイトフルコンテンツと非ヘイトフルコンテンツの両方の分布と特性について検討する。
  論文  参考訳（メタデータ） (2025-08-06T21:55:59Z)
• Enhanced Multimodal Hate Video Detection via Channel-wise and Modality-wise Fusion [7.728348842555291]
  TikTokやYouTubeなどのプラットフォーム上でのビデオコンテンツが急速に普及し、情報発信が変化した。 ヘイトスピーチと戦うための大きな努力にもかかわらず、これらのビデオの検出は、しばしば暗黙的な性質のために難しいままである。 本稿では,Channel-wise and Modality-wise Fusion Mechanismを用いたマルチモーダルヘイトビデオ検出モデルCMFusionを提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:24:48Z)
• Multi-Scale Contrastive Learning for Video Temporal Grounding [42.180296672043404]
  自然言語クエリに関連する映像モーメントをローカライズする時間的グラウンドリングは、視覚言語学習とビデオ理解の中核的な問題である。 本稿ではビデオモーメント間の有能な意味を捉えるための対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T03:34:56Z)
• SpikeMba: Multi-Modal Spiking Saliency Mamba for Temporal Video Grounding [50.337896542603524]
  時間的ビデオグラウンドティングのためのマルチモーダル・スパイク・サリエンシ・マンバであるSpikeMbaを紹介した。 我々のアプローチでは、スパイキングニューラルネットワーク(SNN)と状態空間モデル(SSM)を統合して、そのユニークな利点を活用する。 我々の実験は、最先端の手法を一貫して上回るSpikeMbaの有効性を実証した。
  論文  参考訳（メタデータ） (2024-04-01T15:26:44Z)
• Controllable Augmentations for Video Representation Learning [34.79719112810065]
  本稿では,ローカルクリップとグローバルビデオを併用して,詳細な地域レベルの対応から学習し,時間的関係を最小化する枠組みを提案する。 我々のフレームワークは、アクション認識とビデオ検索の3つのビデオベンチマークよりも優れており、より正確な時間的ダイナミクスを捉えることができる。
  論文  参考訳（メタデータ） (2022-03-30T19:34:32Z)
• Beyond Short Clips: End-to-End Video-Level Learning with Collaborative Memories [56.91664227337115]
  本稿では,ビデオの複数のサンプルクリップにまたがる情報を,トレーニングイテレーション毎にエンコードするコラボレーティブメモリ機構を提案する。 これにより、単一のクリップ以上の長距離依存関係の学習が可能になる。 提案するフレームワークはエンドツーエンドでトレーニング可能で,計算オーバーヘッドが無視できないビデオ分類精度が大幅に向上する。
  論文  参考訳（メタデータ） (2021-04-02T18:59:09Z)

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。