論文の概要: MMMMM: A Unified Taxonomy for Investigating the Mechanisms of Multilingual MultiModal Misinformation
- arxiv url: http://arxiv.org/abs/2608.29681v1
- Date: Sun, 30 Aug 2026 09:30:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.044414
- Title: MMMMM: A Unified Taxonomy for Investigating the Mechanisms of Multilingual MultiModal Misinformation
- Title（参考訳）: MMMMM:多言語マルチモーダル誤報のメカニズムを解明するための統一分類法
- Abstract要約: ソーシャルメディア上のマルチモーダルな誤報は、非常に普及し、強力で、有害であり、検出と対応が困難である。
マルチモーダル誤情報の性質と偽造戦略に関する研究は、実世界の文脈に根ざしたマルチモーダル誤情報の欠如によって妨げられている。
本研究は,データの詳細な質的分析とそれ以前の理論的研究に基づく,多モーダル誤報の包括的分類法を開発する。
- 参考スコア（独自算出の注目度）: 45.9148426649897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal misinformation on social media is highly prevalent, potent, and harmful, yet difficult to detect and counter, and still poorly understood compared to its text-only counterpart. Research on the properties and deceptive strategies of multimodal misinformation is hindered by a lack of taxonomies grounded in real-world contexts and by the limitations of current multimodal machine learning models, which prevent the automation of annotation and analysis at scale. We address these shortcomings in three steps. First, we collect a large-scale, high-quality dataset of real-world misinformation instances from Twitter/X in seven languages. Second, we develop a novel, comprehensive taxonomy of multimodal misinformation grounded in an in-depth qualitative analysis of the data and prior theoretical work. Finally, we operationalise the taxonomy through an automated multi-step annotation pipeline using a Vision-Language Model (VLM), and perform human-validation. Our novel approach leads to previously undocumented insights about how social media users combine images with text to spread misinformation in the wild, e.g., that AI-generated content is particularly prevalent in technology and science, while vaccination misinformation disproportionately utilises images from news outlets to assert credibility. Our method and findings provide guidance for targeted approaches for detecting multimodal misinformation, and suggest that mitigation efforts should be developed and applied strategically rather than uniformly.
- Abstract（参考訳）: ソーシャルメディア上のマルチモーダルな誤報は、非常に普及し、強力で、有害であり、検出と対応が難しい。
マルチモーダルな誤情報の性質と偽造戦略に関する研究は、現実世界の文脈に根ざした分類学の欠如や、現在のマルチモーダルな機械学習モデルの限界によって妨げられている。
これらの欠点を3つのステップで解決する。
まず、Twitter/Xから7つの言語で、大規模で高品質な実世界の誤情報インスタンスのデータセットを収集する。
第2に,データとそれ以前の理論的研究の詳細な質的分析に基づいて,多モーダル誤報の包括的分類法を開発した。
最後に、視覚言語モデル(VLM)を用いて、自動的な多段階アノテーションパイプラインを通して分類を運用し、人為的な検証を行う。
我々の新しいアプローチは、ソーシャルメディアユーザーがいかにして画像とテキストを組み合わせ、野生で誤情報を広めるか、例えば、AIが生成するコンテンツは特に技術や科学で普及している、という未発表の洞察を導き、ワクチンの誤報はニュースメディアからの画像を不当に利用して信頼性を主張する。
提案手法と知見は,マルチモーダルな誤報を検出するためのターゲットとなるアプローチの指針を提供するとともに,一様ではなく,戦略的に緩和策を開発・適用すべきであることを示唆している。
関連論文リスト
- MMD-Thinker: Adaptive Multi-Dimensional Thinking for Multimodal Misinformation Detection [8.06079393106578]
マルチモーダルな誤報はさまざまなソーシャルメディアに溢れ、AIGC(AIGC)の時代においても進化を続けている。
近年の研究では、汎用多目的大言語モデル(MLLM)を活用して、検出において顕著な結果が得られている。
適応型多次元思考によるマルチモーダル誤情報検出のための2段階フレームワークであるMDD-Thinkerを提案する。
論文 参考訳（メタデータ） (2025-11-17T11:04:30Z) - Insight-A: Attribution-aware for Multimodal Misinformation Detection [14.02125134424451]
本稿では,マルチモーダルな誤情報検出のためのMLLMインサイトによる属性探索を行うInsight-Aを提案する。
我々は、認知と推論の高度な相関をモデル化するために、クロス属性プロンプト(CAP)を考案する。
また,画像キャプション(IC)を設計し,相互整合性検査の精度向上を図る。
論文 参考訳（メタデータ） (2025-11-17T02:33:36Z) - 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) - When Language Overrules: Revealing Text Dominance in Multimodal Large Language Models [10.106066580331584]
我々は,画像,ビデオ,オーディオ,時系列,グラフなど多種多様なデータモダリティにまたがるテキスト優位性を,初めて体系的に調査した。
奥行き分析では,非テクスチュアルなモダリティにおける高度トークン冗長性からの注意の希釈,融合アーキテクチャ設計の影響,テキスト入力を暗黙的に好むタスクの定式化という,3つの根本原因を明らかにした。
論文 参考訳（メタデータ） (2025-08-14T11:44:52Z) - Unlearning Sensitive Information in Multimodal LLMs: Benchmark and Attack-Defense Evaluation [88.78166077081912]
我々は、MLLMから特定のマルチモーダル知識を削除する方法を評価するために、マルチモーダル・アンラーニング・ベンチマークUnLOK-VQAとアタック・アンド・ディフェンス・フレームワークを導入する。
その結果,マルチモーダル攻撃はテキストや画像のみの攻撃よりも優れており,最も効果的な防御は内部モデル状態から解答情報を除去することを示した。
論文 参考訳（メタデータ） (2025-05-01T01:54:00Z) - Unmasking Digital Falsehoods: A Comparative Analysis of LLM-Based Misinformation Detection Strategies [0.0]
本稿では,テキストベース,マルチモーダル,エージェント間の誤情報検出手法の比較を行う。
本研究では,異なる話題領域における誤情報検出における微調整モデル,ゼロショット学習,系統的事実チェック機構の有効性を評価する。
論文 参考訳（メタデータ） (2025-03-02T04:31:42Z) - A Self-Learning Multimodal Approach for Fake News Detection [35.98977478616019]
偽ニュース分類のための自己学習型マルチモーダルモデルを提案する。
このモデルは、ラベル付きデータを必要としない機能抽出のための堅牢な手法であるコントラスト学習を利用する。
公開データセットを用いた実験結果から,提案モデルがいくつかの最先端の分類手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-12-08T07:41:44Z) - 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) - Detecting Cross-Modal Inconsistency to Defend Against Neural Fake News [57.9843300852526]
我々は、画像やキャプションを含む機械生成ニュースに対して、より現実的で挑戦的な対策を導入する。
敵が悪用できる可能性のある弱点を特定するために、4つの異なる種類の生成された記事からなるNeuralNewsデータセットを作成します。
ユーザ実験から得られた貴重な知見に加えて,視覚的意味的不整合の検出にもとづく比較的効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-16T14:13:15Z) - Multimodal Categorization of Crisis Events in Social Media [81.07061295887172]
本稿では,画像とテキストの両方を入力として利用するマルチモーダル融合法を提案する。
特に、弱モダリティから非形式的および誤解を招くコンポーネントをフィルタリングできるクロスアテンションモジュールを導入する。
本手法は,3つの危機関連タスクにおいて,一様アプローチと強いマルチモーダルベースラインを大きなマージンで上回ることを示す。
論文 参考訳（メタデータ） (2020-04-10T06:31:30Z)
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。