論文の概要: Learn Before You Judge: Progressive Knowledge-to-Decision Alignment for Explainable Hateful Meme Detection

• arxiv url: http://arxiv.org/abs/2609.19778v1
• Date: Thu, 17 Sep 2026 06:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.126367
• Title: Learn Before You Judge: Progressive Knowledge-to-Decision Alignment for Explainable Hateful Meme Detection
• Title（参考訳）: 判断の前に学ぶ:説明可能な有害なミーム検出のためのプログレッシブ・ナレッジ・トゥ・ディクシジョン・アライメント
• Abstract要約: 憎しみのあるミームは、画像とテキストの間の暗黙の相互作用を通じて乱暴なコンテンツを拡散し、オンラインコミュニティに深刻な脅威を与えた。 既存の説明-then-detect法は、しばしば同じトレーニングプロセス内で説明生成とラベル予測を結合する。 本稿では,ヘイトフルミーム検出のためのプログレッシブな知識・意思決定アライメント手法であるProKDAを提案する。
• 参考スコア（独自算出の注目度）: 28.59583280348956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hateful memes spread abusive content through implicit interactions between images and text, posing serious threats to the safety of online communities. In recent years, multimodal large language models have been widely used for hateful meme detection and are increasingly adopted to generate explainable detection results. However, we find that existing explain-then-detect methods often couple explanation generation and label prediction within the same training process. This coupling causes interference between task objectives, leading to limited detection performance and even worse results than simple SFT baselines. To address these challenges, we propose ProKDA, a progressive knowledge-to-decision alignment method for explainable hateful meme detection. Inspired by the human annotation training process, ProKDA first uses an agentic background knowledge construction pipeline to obtain external knowledge related to meme understanding. It then adopts a three-stage training strategy that sequentially performs background knowledge learning, hatefulness detection learning, and hatefulness boundary alignment. Unlike prior explain-then-detect methods that jointly optimize both tasks, ProKDA focuses on a single training objective at each stage. This design reduces interference between the two tasks and progressively transforms background knowledge into robust detection decisions. Experiments on three public hateful meme benchmarks show that ProKDA achieves state-of-the-art detection performance and provides accurate, explainable, and evidence-supported decisions for hateful meme moderation. Project page: https://meizhiyuan88666.github.io/prokda.
• Abstract（参考訳）: 憎しみのあるミームは、画像とテキストの間の暗黙の相互作用を通じて乱暴なコンテンツを拡散し、オンラインコミュニティの安全を脅かしている。 近年,マルチモーダルな言語モデルがヘイトフルミームの検出に広く使われ,説明可能な検出結果を生成するために採用されている。 しかし,既存の説明文検出手法では,説明文の生成とラベルの予測を同一の学習プロセス内で行う場合が多い。 この結合はタスク目標間の干渉を引き起こし、検出性能が制限され、単純なSFTベースラインよりもさらに悪い結果となる。 これらの課題に対処するため、我々は、ヘイトフルなミームを検出するためのプログレッシブな知識・意思決定アライメント手法であるProKDAを提案する。 人間のアノテーション学習プロセスにインスパイアされたProKDAは、まずエージェント的バックグラウンド知識構築パイプラインを使用して、ミーム理解に関連する外部知識を得る。 次に、バックグラウンド知識学習、ヘイトフルネス検出学習、ヘイトフルネス境界アライメントを順次実行する3段階のトレーニング戦略を採用する。 両方のタスクを共同で最適化する従来の説明-then-detectメソッドとは異なり、ProKDAは各ステージにおける1つのトレーニング目標に焦点を当てている。 この設計は2つのタスク間の干渉を減らし、背景知識を段階的に堅牢な検出決定に変換する。 3つの公的なヘイトフルミームベンチマークの実験は、ProKDAが最先端の検知性能を達成し、ヘイトフルミームのモデレーションに関する正確で説明可能な、エビデンスに支持された決定を提供することを示している。 プロジェクトページ: https://meizhiyuan88666.github.io/prokda。

関連論文リスト

• KID: Knowledge-Injected Dual-Head Learning for Knowledge-Grounded Harmful Meme Detection [6.006318485752551]
  本稿では,知識ベースで有害なミーム検出を行うための知識注入型デュアルヘッド学習フレームワークを提案する。 KIDはラベルに制約のある蒸留パラダイムを採用し、複雑なミーム理解を構造化推論連鎖に分解し、視覚的証拠、背景知識、分類ラベルを明示的に結びつける。
  論文  参考訳（メタデータ） (2026-01-29T14:41:36Z)
• Improving Multimodal Hateful Meme Detection Exploiting LMM-Generated Knowledge [11.801596051153725]
  ミームで憎しみのあるコンテンツを検出することが 重要な課題として現れました 我々は,LMM(Large Multimodal Models)に符号化された知識を活用した課題に取り組むことを提案する。 まず,強靭なミーム表現を構築するために,憎しみのあるミーム検出タスクを指向した知識を抽出することで,LMMを2倍に活用することを提案する。
  論文  参考訳（メタデータ） (2025-04-14T06:23:44Z)
• Improving Hateful Meme Detection through Retrieval-Guided Contrastive Learning [13.690436954062015]
  本稿では,検索誘導型コントラスト学習により,ヘイトフルネスを考慮した埋め込み空間を構築することを提案する。 提案手法は,87.0のAUROCでHatefulMemesデータセット上での最先端性能を実現し,より大規模なマルチモーダルモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-11-14T12:14:54Z)
• DOAD: Decoupled One Stage Action Detection Network [77.14883592642782]
  人々をローカライズし、ビデオからアクションを認識することは、ハイレベルなビデオ理解にとって難しい課題だ。 既存の手法は主に2段階ベースで、1段階は人物境界ボックス生成、もう1段階は行動認識を行う。 本稿では、時間的行動検出の効率を向上させるために、DOADと呼ばれる分離したワンステージネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-01T08:06:43Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing [61.82466976737915]
  深層学習は、顔の反偽造の最も効果的な方法の1つとして証明されている。 2つの洞察に基づいて,複数フレームからの提示攻撃を検出する新しい手法を提案する。 提案手法は,5つのベンチマークデータセットの最先端結果を実現する。
  論文  参考訳（メタデータ） (2020-03-18T06:11:20Z)

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。