論文の概要: Through the Eyes of the Beholder: Biometric and Demographic Conditioning for Multimodal Sexism Detection

• arxiv url: http://arxiv.org/abs/2609.15608v1
• Date: Mon, 14 Sep 2026 14:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.427153
• Title: Through the Eyes of the Beholder: Biometric and Demographic Conditioning for Multimodal Sexism Detection
• Title（参考訳）: 利害関係者の目を通して:マルチモーダル性検知のためのバイオメトリックおよびデモグラフィックコンディショニング
• Abstract要約: 本稿では,人間のアノテータの心理的・人口的特性を検知パイプラインに組み込んだ,人間中心のフレームワークを提案する。 ミームテキストはGemma 4で抽出され視覚的に記述され、その後NLLB-200で英語とスペイン語の自動翻訳によって拡張される。 推定時, 深層マルチモーダルネットワークとスタイリスティックおよび生理的特徴に基づいて訓練された相補的なSVMとの間のソフトボイティングにより, 予測が生成される。
• 参考スコア（独自算出の注目度）: 1.0165430007278446
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Detecting sexism on the internet is a fundamentally subjective task; our team, VANGUARD, addresses this challenge in the EXIST 2026 Task 2 by proposing a human-centered multimodal framework that analyses and incorporates the psychological and demographic characteristics of human annotators into the detection pipeline. We fuse five input modalities through a cross-attention architecture with Feature-wise Linear Modulation conditioning. Meme text is extracted and visually described with Gemma 4, then augmented by automatic translation between English and Spanish with NLLB-200. Text and image representations are produced by LoRAadapted XLM-RoBERTa and CLIP encoders and fused with sensor features encoded by a pretrained autoencoder. To model annotator subjectivity, we frame Subtask 2.1 as a label distribution learning problem, optimizing a Kullback-Leibler divergence loss over the full annotator label distribution. At inference time, predictions are produced by soft-voting between the deep multimodal network and a complementary SVM trained on stylometric and physiological features. Our best submission ranks 29th out of 114 on Subtask 2.2 (source intention) under soft evaluation, and the normalized ICM scores remain above the baseline on Subtasks 2.1 and 2.2, indicating that annotator-centered conditioning contributes a usable signal. We release our full pipeline and analysis to support reproducible human-centered modeling.
• Abstract（参考訳）: 我々のチームであるVANGUARDは、人間中心のマルチモーダルフレームワークを提案し、人間のアノテータの心理的・人口的特性を検知パイプラインに組み込むことで、EXIST 2026タスク2におけるこの課題に対処しています。 特徴量線形変調条件付きクロスアテンションアーキテクチャにより,5つの入力モダリティを融合する。 ミームテキストはGemma 4で抽出され視覚的に記述され、その後NLLB-200で英語とスペイン語の自動翻訳によって拡張される。 テキストと画像の表現は、LoRAadapted XLM-RoBERTaとCLIPエンコーダによって作成され、事前訓練されたオートエンコーダによって符号化されたセンサー機能と融合する。 アノテータの主観性をモデル化するために、Subtask 2.1 をラベル分布学習問題とみなし、フルアノテータのラベル分布に対するKullback-Leibler分散損失を最適化する。 推定時, 深層マルチモーダルネットワークとスタイリスティックおよび生理的特徴に基づいて訓練された相補的なSVMとの間のソフトボイティングにより, 予測が生成される。 ソフトな評価ではSubtask 2.2(ソースインテンション)で114位中29位にランクインし,正規化ICMスコアはSubtasks 2.1および2.2のベースライン上にとどまり,アノテータ中心条件が有用であることを示す。 再現可能な人間中心モデリングをサポートするために、完全なパイプラインと分析をリリースします。

関連論文リスト

• Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis [55.78822230833247]
  We present Inter-X++, a comprehensive and large-scale benchmark designed to empower useful HHI analysis。 インターX++は11,388個の高忠実な相互作用シーケンスと8.1Mフレームを提供する。 インタラクションの再構築と意味理解を協調的に最適化する,単一かつ統一されたHHI表現とモデリングフレームワークOpenHHIを提案する。
  論文  参考訳（メタデータ） (2026-08-20T17:51:48Z)
• UC-VLM: Consistency-Driven Learning for AI-Generated Image Detection with Vision-Language Large Models [34.80872382508184]
  UC-VLMは、バイナリ監視のみに依存するAIGI検出のための統合された多段階フレームワークである。 視覚適応とラベル条件付きテキスト生成のために、同一の認証ラベルを一貫して再利用する。 実験の結果、UC-VLMはGenImage上で96.1%の平均精度を達成し、最強の4.6%を超える結果となった。
  論文  参考訳（メタデータ） (2026-08-15T13:53:59Z)
• Multimodal Sexism Identification and Characterization using Large Language Models and Gradient Boosting [5.234175699955086]
  我々は、ミームおよびショートフォームビデオにおけるマルチモーダル性差別の識別と特徴付けに対処する。 ミームでは、視覚的、テキスト的、人口統計学的、生体的、およびLLMから派生した意味指標を組み合わせる。 ビデオでは、特徴選択、フレームベースの視覚表現、OCRベースのテキスト特徴、音響ディスクリプタ、センサ由来のメタデータの影響について検討する。
  論文  参考訳（メタデータ） (2026-06-04T10:43:46Z)
• TempRet: Temporal Enhancement and Two-Stage Reranking for CVPR 2026 EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge [71.10535279591527]
  我々は,CVPR 2026 EPIC-KITCHENS-100 MIRチャレンジに対して,TempRetと呼ばれるソリューションを提示する。 当社のアプローチは,CLIPベースのデュアルエンコーダのバックボーン上に構築されており,時間的および横断的な課題に対処するための2つの重要なコンポーネントを導入している。 EK-100 MIRベンチマークでは,平均mAPは67.97%,平均nDCGは82.92%であった。
  論文  参考訳（メタデータ） (2026-05-23T08:37:39Z)
• Why AI-Generated Text Detection Fails: Evidence from Explainable AI Beyond Benchmark Accuracy [0.9169660430821364]
  本稿では,言語機能工学,機械学習,説明可能なAI技術を統合するフレームワークを提案する。 SHAPに基づく説明を用いて、最も影響力のある特徴がデータセットによって著しく異なることを示す。 この知識は、さまざまな設定で堅牢なAI検出器を構築するのに役立ちます。
  論文  参考訳（メタデータ） (2026-03-24T12:46:15Z)
• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• GAME: Learning Multimodal Interactions via Graph Structures for Personality Trait Estimation [13.071227081328288]
  ショートビデオからの明瞭なパーソナリティ分析は、視覚的、聴覚的、およびテキスト的手がかりの複雑な相互作用のため、重要なチャルレンジを呈する。 本稿では,グラフ拡張型マルチモーダル進化法であるGAMEを提案する。 ビジュアルストリームのために、顔グラフを構築し、グラフ畳み込みネットワーク(GCN)と畳み込みニューラルネットワーク(CNN)を組み合わせたデュアルブランチGeo Two-Stream Networkを導入する。 時間的ダイナミクスを捉えるために、フレームレベルの特徴はBiGによって処理される
  論文  参考訳（メタデータ） (2025-05-05T13:48:09Z)
• The MuSe 2024 Multimodal Sentiment Analysis Challenge: Social Perception and Humor Recognition [64.5207572897806]
  マルチモーダル・センティメント・アナリティクス・チャレンジ (MuSe) 2024は、現代の2つのマルチモーダル・インフルエンスと感情分析の問題に対処する。 Social Perception Sub-Challenge (MuSe-Perception)では、参加者は16種類の個人の社会的属性を予測する。 クロスカルカルカルチャー・ヒューモー検出サブチャレンジ(MuSe-Humor)データセットは、Passau Spontaneous Football Coach Humorデータセット上に拡張される。
  論文  参考訳（メタデータ） (2024-06-11T22:26:20Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)

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。