論文の概要: ChildSafeAds Shared Task 2026: Commercial Content in Child-Facing YouTube Videos
- arxiv url: http://arxiv.org/abs/2608.19165v1
- Date: Wed, 19 Aug 2026 17:44:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.482781
- Title: ChildSafeAds Shared Task 2026: Commercial Content in Child-Facing YouTube Videos
- Title（参考訳）: ChildSafeAdsが2026年に共有: 子供向けYouTubeビデオのコマーシャルコンテンツ
- Abstract要約: ChildSafeAdsは、YouTubeビデオのコマーシャルコンテンツの共有タスクで、子供やティーンエイジャーにリーチする可能性がある。
939チャンネルの3,360本のビデオが収録されている。
各インスタンスは、SponsorBlockに送信されたセグメントから始まる。
- 参考スコア（独自算出の注目度）: 11.31158111160864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: ChildSafeAds is a shared task on commercial content in YouTube videos likely to reach children and teenagers. It contains 3,360 videos from 939 channels. Each instance begins with a segment submitted to SponsorBlock, an open-source crowdsourced browser extension whose users mark sponsor segments so that others can skip them. We pair the segment with its available transcript, video and channel information, and a sales or service page linked from the video description. Systems determine what kind of offer is being promoted (ST1), assign product categories (ST2), and identify legal risk flags (ST3). The evidence is divided into four cumulative access levels, from the transcript to the linked page, so results can be compared against the cost of collecting the data. 45.5\% of videos in our data failed to properly use the in-platform ad disclosure method (the ``Includes paid promotion'' label). GPT-5.4 produced the labels after the expert organiser team reviewed samples and iterated on the taxonomy, prompts and model choices. GPT-5.6-luna independently labelled the development set. This report describes the task, data and evaluation. An updated version will add participating systems and shared-task results.
- Abstract（参考訳）: ChildSafeAdsは、YouTubeビデオのコマーシャルコンテンツの共有タスクで、子供やティーンエイジャーにリーチする可能性がある。
939チャンネルの3,360本のビデオが収録されている。
各インスタンスは、オープンソースのクラウドソースブラウザエクステンションであるSponsorBlockに送信されたセグメントから始まる。
セグメントは、利用可能なテキスト、ビデオおよびチャネル情報、およびビデオ記述からリンクされたセールスページまたはサービスページとペアリングする。
システムは、どのようなオファーが推奨されているか(ST1)を決定し、製品カテゴリ(ST2)を割り当て、法的リスクフラグ(ST3)を識別する。
このエビデンスを4つの累積アクセスレベル(テキストからリンクされたページ)に分割し、データ収集のコストと結果を比較できる。
当社のデータ中の45.5\%の動画は、プラットフォーム内での広告開示手法を適切に使わなかった( ``Includes paid promotion' ラベル)。
GPT-5.4は、専門家組織チームがサンプルをレビューし、分類、プロンプト、モデル選択について反復してラベルを作成した。
GPT-5.6-lunaは独立して開発セットをラベル付けした。
本報告では,課題,データ,評価について述べる。
アップデートされたバージョンでは、参加システムと共有タスクの結果が追加される。
関連論文リスト
- Misinformation Span Detection in Videos via Audio Transcripts [6.262239090050024]
我々は2つの新しいデータセットを作成し、音声の書き起こしによるビデオの誤情報検出を探索する。
我々は、各ビデオの音声をテキストに書き起こし、誤報が現れるビデオセグメントを特定する。
以上の結果から,F1スコア0.68の誤報がビデオのどの部分にあるかを特定できることがわかった。
論文 参考訳（メタデータ） (2026-04-23T15:23:13Z) - WikiVideo: Article Generation from Multiple Videos [82.00241010200368]
実世界の出来事に関する複数のビデオからウィキペディア風の記事を作成する作業を紹介する。
このギャップを埋めるために、私たちはWikiVideoを紹介します。
複数のビデオから記事を作成するためのインタラクティブな手法である共同記事生成(CAG)を提案する。
論文 参考訳（メタデータ） (2025-04-01T16:22:15Z) - Leveraging ChatGPT for Sponsored Ad Detection and Keyword Extraction in YouTube Videos [0.0]
このワーク・イン・プログレス・ペーパーは、YouTubeビデオのスポンサー付き広告セグメントを検出するための新しいアプローチを提案する。
提案手法は421個の自動生成および手書き文字起こしを,広告検出のためのプロンプトエンジニアリングされたGPT-4oに供給する。
その結果、さまざまな教育分野における製品関連広告の有意な普及が明らかになった。
論文 参考訳（メタデータ） (2025-02-20T23:44:15Z) - Beyond Raw Videos: Understanding Edited Videos with Large Multimodal Model [62.38322742493649]
我々は、編集カテゴリ、すなわちエフェクト、面白い、ミーム、ゲームをカバーするビデオVQAベンチマークを構築した。
オープンソースビデオのLMMのほとんどはベンチマークでは不十分であり、ソーシャルメディア上の編集されたショートビデオと通常の生ビデオの間に大きなドメインギャップがあることを示唆している。
LMMの一般化能力を向上させるため,Panda-70M/WebVid生ビデオとTikTok/CapCut編集ビデオの両方に基づいて,提案したベンチマークのトレーニングセットを収集した。
論文 参考訳（メタデータ） (2024-06-15T03:28:52Z) - Text-to-feature diffusion for audio-visual few-shot learning [59.45164042078649]
ビデオデータから学ぶことは難しいし、あまり研究されていないが、もっと安いセットアップだ。
3つのデータセットに対して,音声・視覚的数ショット映像分類ベンチマークを導入する。
AV-DIFFは,提案した音声・視覚的少数ショット学習のベンチマークにおいて,最先端の性能が得られることを示す。
論文 参考訳（メタデータ） (2023-09-07T17:30:36Z) - Tencent AVS: A Holistic Ads Video Dataset for Multi-modal Scene
Segmentation [12.104032818304745]
Tencent Ads Video'(TAVS)データセットを広告ドメイン内に構築し、マルチモーダルビデオ分析を新たなレベルにエスカレートする。
TAVSは3つの独立した視点からの動画をプレゼンテーション形式、場所、スタイルとして記述し、ビデオ、オーディオ、テキストなどの豊富なマルチモーダル情報を含んでいる。
12,000のビデオ、82のクラス、33,900のセグメント、121,100のショット、168,500のラベルがある。
論文 参考訳（メタデータ） (2022-12-09T07:26:20Z) - Video Instance Shadow Detection Under the Sun and Sky [81.95848151121739]
ViShadowは、半教師付きビデオインスタンスのシャドウ検出フレームワークである。
クロスフレームペアリングのための対照的な学習を通じて、シャドーとオブジェクトインスタンスを識別する。
一時的な消失を管理するための検索機構が導入された。
論文 参考訳（メタデータ） (2022-11-23T10:20:19Z) - TL;DW? Summarizing Instructional Videos with Task Relevance &
Cross-Modal Saliency [133.75876535332003]
我々は,ビデオ要約の未探索領域である指導ビデオの要約に焦点をあてる。
既存のビデオ要約データセットは、手動のフレームレベルのアノテーションに依存している。
本稿では,文脈対応の時間的ビデオエンコーダとセグメントスコアリング変換器を組み合わせた指導ビデオ要約ネットワークを提案する。
論文 参考訳（メタデータ） (2022-08-14T04:07:40Z) - Slapping Cats, Bopping Heads, and Oreo Shakes: Understanding Indicators
of Virality in TikTok Short Videos [11.089339341624996]
我々は、TikTokに投稿された短いビデオの要素がバイラル性に与える影響について研究する。
我々の研究は、非ウイルスのTikTokビデオとウイルスを区別する特徴を強調している。
論文 参考訳（メタデータ） (2021-11-03T18:17:16Z) - Overview of Tencent Multi-modal Ads Video Understanding Challenge [1.6904374000330984]
マルチモーダル広告ビデオ理解チャレンジ(Multi-modal Ads Video Understanding Challenge)は、広告ビデオを包括的に理解するための最初の大きな挑戦だ。
参加者には、各シーンのシーン境界とマルチラベルカテゴリの両方を正確に予測するように求めている。
広告の理解の基盤を前進させ、ビデオレコメンデーションのような多くの広告アプリケーションに大きな影響を与えるだろう。
論文 参考訳（メタデータ） (2021-09-16T13:07:08Z) - VALUE: A Multi-Task Benchmark for Video-and-Language Understanding
Evaluation [124.02278735049235]
VALUEベンチマークは、幅広いビデオジャンル、ビデオの長さ、データボリューム、タスクの難易度をカバーすることを目的としている。
大規模なVidL事前学習による各種ベースライン法の評価を行った。
我々の最高のモデルと人間のパフォーマンスの間の大きなギャップは、先進的なVidLモデルの将来の研究を要求する。
論文 参考訳（メタデータ） (2021-06-08T18:34:21Z) - Few-Shot Video Object Detection [70.43402912344327]
本稿では,Few-Shot Video Object Detection (FSVOD) を紹介する。
fsvod-500は500のクラスからなり、各カテゴリーにクラスバランスのビデオがある。
私達のTPNおよびTMN+は共同およびエンドツーエンドの訓練されます。
論文 参考訳（メタデータ） (2021-04-30T07:38:04Z)
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。