論文の概要: MemeLogos: Knowledge-Driven Retrieval-Augmented Reasoning for Harmful Meme Detection
- arxiv url: http://arxiv.org/abs/2610.15463v1
- Date: Sun, 11 Oct 2026 09:02:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.215473
- Title: MemeLogos: Knowledge-Driven Retrieval-Augmented Reasoning for Harmful Meme Detection
- Title（参考訳）: MemeLogos: 有害なミーム検出のための知識駆動検索強化推論
- Abstract要約: 有害なミーム検出のための知識駆動型検索強化推論フレームワークであるMemeLogosを提案する。
MemeLogosは、様々な有害なケースから繰り返し発生する有害なパターンと推論構造を再利用可能な知識単位に抽象化する。
よりコヒーレントで解釈可能な推論を生成し、マルチモーダルコンテンツ理解のための構造化有害性知識の有効性を実証する。
- 参考スコア（独自算出の注目度）: 26.540364712387554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid proliferation of social media, harmful memes have become a growing threat to online ecosystems. Their harmfulness is often implicitly conveyed through complex interactions among visual, textual, and contextual cues, making accurate detection challenging. Recent studies have introduced Retrieval-Augmented Generation (RAG) and external knowledge into harmful meme detection. However, existing methods mainly retrieve similar instances or auxiliary information, limiting their ability to capture reusable harmfulness knowledge and underlying reasoning mechanisms, and thus constraining both detection performance and interpretability. To address these challenges, we propose MemeLogos, a knowledge-driven retrieval-augmented reasoning framework for harmful meme detection. MemeLogos abstracts recurring harmfulness patterns and reasoning structures from diverse harmful cases into reusable knowledge units and organizes them into a dedicated star-shaped knowledge graph. By combining structured knowledge retrieval with an explicit multi-stage reasoning process inspired by cognitive mechanisms, MemeLogos leverages retrieved knowledge to guide harmfulness reasoning, improving both detection reliability and interpretability. Extensive experiments show that MemeLogos consistently outperforms existing harmful meme detection methods while generating more coherent and interpretable reasoning, demonstrating the effectiveness of structured harmfulness knowledge for multimodal content understanding.
- Abstract（参考訳）: ソーシャルメディアの急速な普及に伴い、有害ミームはオンラインエコシステムにとって脅威となっている。
それらの有害性はしばしば視覚、テキスト、文脈間の複雑な相互作用を通じて暗黙的に伝達され、正確な検出が困難になる。
近年の研究では、有害なミーム検出にRAG(Retrieval-Augmented Generation)と外部知識を導入している。
しかし、既存の手法は、主に類似の事例や補助情報を検索し、再利用可能な有害な知識と根底にある推論メカニズムを捕捉する能力を制限し、検出性能と解釈可能性の両方を制限している。
これらの課題に対処するために,有害なミーム検出のための知識駆動型検索強化推論フレームワークであるMemeLogosを提案する。
MemeLogosは、様々な有害なケースから繰り返し発生する有害なパターンと推論構造を再利用可能な知識単位に抽象化し、それらを専用の星型知識グラフに整理する。
構造化知識検索と認知メカニズムにインスパイアされた明示的な多段階推論プロセスを組み合わせることで、MemeLogosは、抽出した知識を活用して有害性推論をガイドし、検出信頼性と解釈可能性の両方を改善する。
大規模な実験により、MemeLogosは既存の有害なミーム検出手法を一貫して上回りながら、より一貫性と解釈可能な推論を生成し、マルチモーダルコンテンツ理解のための構造化有害な知識の有効性を実証している。
関連論文リスト
- Distinguishable Deletion: Unifying Knowledge Erasure and Refusal for Large Language Model Unlearning [58.725080160369494]
Distinguishable Deletion (mathrmD2$)は、特定のトークンではなく、潜在表現の応答分布を制限するパラダイムである。
本稿では,知識の存在と未学習コンテンツと保持コンテンツとの分離を定量化するエネルギー指標を提案する。
実験の結果、EUAは以前の方法よりも大幅に優れており、$mathrmD2$の優位性を示している。
論文 参考訳（メタデータ） (2026-05-16T03:15:35Z) - Know More, Know Clearer: A Meta-Cognitive Framework for Knowledge Augmentation in Large Language Models [80.21037538996553]
本稿では,異なる介入とアライメントによる信頼度向上のための新しいメタ認知フレームワークを提案する。
我々の手法は、知識空間をマスターされた、混乱した、行方不明な領域に分割し、対象とする知識拡大を導くために、内部認知信号を活用する。
我々のフレームワークは、知識能力の向上だけでなく、未知の知識をよりよく区別する認知行動の育成においても、その合理性を検証し、強いベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-02-13T15:07:35Z) - 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) - Unifying Deductive and Abductive Reasoning in Knowledge Graphs with Masked Diffusion Model [64.31242163019242]
帰納的推論と帰納的推論は知識グラフを解析するための重要なパラダイムである。
DARKと呼ばれる知識グラフにおける帰納的・帰納的推論のための統一的なフレームワークを提案する。
DARKは, 帰納的推論タスクと帰納的推論タスクの両方において, 最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-10-13T14:34:57Z) - Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。
25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。
私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
論文 参考訳（メタデータ） (2025-10-01T07:59:03Z) - Large model retrieval enhancement framework for construction site risk identification [13.937158723906876]
本研究では,大規模言語モデル(LLM)を微調整を必要とせずに拡張する検索拡張フレームワークを提案する。
提案手法は外部知識を統合し,プロンプトチューニングにより類似事例を検索する。
実地データに基づいて評価した結果,GLM-4Vの精度は50%に向上し,ベースラインよりも35.49%向上した。
論文 参考訳（メタデータ） (2025-08-04T05:28:58Z) - MemeMind: A Large-Scale Multimodal Dataset with Chain-of-Thought Reasoning for Harmful Meme Detection [4.09109557328609]
有害なミームは、暗黙のセマンティクスと複雑なマルチモーダル相互作用による自動検出に重大な課題をもたらす。
MemeMindは、科学的に厳格な標準、大規模、多様性、バイリンガルサポート(中国語と英語)、詳細なChain-of-Thought(CoT)アノテーションを備えた、新しいデータセットである。
本稿では,マルチモーダル情報と推論プロセスモデリングを効果的に統合した,革新的な検出フレームワークMemeGuardを提案する。
論文 参考訳（メタデータ） (2025-06-15T13:45:30Z) - Robustness in AI-Generated Detection: Enhancing Resistance to Adversarial Attacks [4.179092469766417]
本稿では,現在のAI生成顔検出システムの脆弱性について検討する。
本稿では, 対人訓練を統合し, 対人訓練の効果を緩和するアプローチを提案する。
我々はまた、AI生成コンテンツの本質的な特徴に関する洞察を提供する、敵対的および良心的な事例の詳細な分析も提供する。
論文 参考訳（メタデータ） (2025-05-06T11:19:01Z) - Towards Explainable Harmful Meme Detection through Multimodal Debate
between Large Language Models [18.181154544563416]
ソーシャルメディアの時代はインターネットのミームで溢れており、有害なものを明確に把握し、効果的に識別する必要がある。
既存の有害なミーム検出手法では、検出決定を支援するためにそのような暗黙的な意味を明らかにする読みやすい説明は提示されない。
本研究では,無害な位置と有害な位置の両方から矛盾する合理性を推論することで,有害なミームを検出するための説明可能なアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-24T08:37:16Z) - Re-mine, Learn and Reason: Exploring the Cross-modal Semantic
Correlations for Language-guided HOI detection [57.13665112065285]
ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。
本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-25T14:20:52Z)
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。