論文の概要: Towards Autopilot Labeling for Short Video Content Governance

• arxiv url: http://arxiv.org/abs/2610.15687v1
• Date: Sun, 11 Oct 2026 15:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:14:58.712384
• Title: Towards Autopilot Labeling for Short Video Content Governance
• Title（参考訳）: ショートビデオコンテンツガバナンスのためのオートパイロットラベリングを目指して
• Abstract要約: ショートビデオコンテンツアノテーションにおける自動化のレベル向上を目的としたマルチステージオートパイロットラベリングフレームワークを開発した。 様々なコンテンツ問題に対して広範な実験を行い、その結果、オートパイロットラベリングフレームワークの各段階がラベリング精度を段階的に向上することを示した。
• 参考スコア（独自算出の注目度）: 26.787926533453717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The explosive growth of short videos has presented significant challenges to content governance. Traditional manual labeling is inefficient, slow to iterate, and costly. Therefore, we explore and develop a multi-stage autopilot labeling framework aimed at progressively increasing the level of automation in short video content annotation. To move beyond the heavy reliance on human expert labeling at the initial L0 stage, we first introduce a discriminative MLLM labeler at the L1 stage, which is fine-tuned with supervised data to directly predict labels for short videos. Advancing to the L2 stage, we shift to a domain-adaptive MLLM pretrained on short video data and use it for zero-shot labeling, enabling flexible generalization without task-specific supervision. In the L3 stage, we propose an agentic annotation workflow, and equip the agent with several key tools, which empower the agent to handle complex, unfamiliar, or vaguely defined cases, significantly reducing the need for human intervention. We conduct extensive experiments across various content issues, and results demonstrate that each stage of the autopilot labeling framework progressively improves labeling accuracy, and has significantly reduced manual labor costs in real-world applications by up to 85%.
• Abstract（参考訳）: ショートビデオの爆発的な成長は、コンテンツガバナンスに重大な課題をもたらしている。 従来の手動ラベリングは非効率で、イテレーションが遅く、コストもかかる。 そこで我々は,ショートビデオコンテンツアノテーションにおける自動化のレベルを徐々に高めることを目的とした,多段階自動操縦ラベリングフレームワークを探索・開発する。 最初のL0段階での人間専門家のラベル付けに大きく依存することを超えて、まずL1段階での識別的MLLMラベルを導入し、短いビデオのラベルを直接予測するために教師付きデータで微調整する。 L2ステージに適応して、短いビデオデータに基づいて事前訓練されたドメイン適応型MLLMに移行し、ゼロショットラベリングに使用し、タスク固有の監督なしに柔軟な一般化を可能にする。 L3の段階ではエージェントのアノテーションワークフローを提案し、エージェントにいくつかの重要なツールを組み込むことにより、エージェントが複雑な、不慣れな、曖昧に定義されたケースを扱えるようにし、人間の介入の必要性を大幅に低減する。 様々なコンテンツ問題に対して広範な実験を行い、その結果、オートパイロットラベリングフレームワークの各段階がラベリングの精度を徐々に改善し、実世界のアプリケーションにおける手作業のコストを最大85%削減したことを示す。

関連論文リスト

• Are Multimodal Large Language Models Good Annotators for Image Tagging? [62.01475514488922]
  本稿では,MLLMの生成するアノテーションと人間のアノテーションのギャップを分析することを目的とする。 本稿では,MLLM生成アノテーションと人間のアノテーションのギャップを狭めることを目的とした,画像タグ付けのための新しいフレームワークであるTagLLMを提案する。
  論文  参考訳（メタデータ） (2026-02-24T14:53:16Z)
• Context-Aware Pseudo-Label Scoring for Zero-Shot Video Summarization [6.057968525653529]
  本稿では,ルーリック誘導型,擬似ラベル付き,即時駆動型ゼロショットビデオ要約フレームワークを提案する。 人間のアノテーションの小さなサブセットは、高信頼の擬似ラベルに変換される。 推論中、境界シーンはそれぞれの記述に基づいて独立してスコアされる。
  論文  参考訳（メタデータ） (2025-10-20T12:54:32Z)
• AgentTrek: Agent Trajectory Synthesis via Guiding Replay with Web Tutorials [53.376263056033046]
  既存のアプローチは高価な人間のアノテーションに依存しており、大規模には持続不可能である。 本稿では,Webエージェントトラジェクトリを生成するスケーラブルなデータ合成パイプラインであるAgentTrekを提案する。 完全に自動化されたアプローチは、データ収集コストを大幅に削減し、人間のアノテータを使わずに、高品質な軌道を0.55ドルに抑えることができます。
  論文  参考訳（メタデータ） (2024-12-12T18:59:27Z)
• TnT-LLM: Text Mining at Scale with Large Language Models [24.731544646232962]
  大規模言語モデル(LLM)は、最小限の努力でエンドツーエンドのラベル生成と割り当てのプロセスを自動化する。 我々は,TnT-LLMが最先端のベースラインと比較した場合,より正確で関連性の高いラベルを生成することを示す。 また、現実のアプリケーションにおける大規模テキストマイニングにLLMを使うことの課題と機会に関する実践的経験と洞察を共有します。
  論文  参考訳（メタデータ） (2024-03-18T18:45:28Z)
• Slot Induction via Pre-trained Language Model Probing and Multi-level Contrastive Learning [62.839109775887025]
  トークンレベルのスロットアノテーションの明示的な知識なしでスロット境界を誘導することを目的としたスロットインジェクション(SI)タスク。 PLMから抽出した教師なし意味知識を活用するために、教師なし事前学習言語モデル(PLM)探索とコントラスト学習機構を活用することを提案する。 提案手法は,2つのNLUベンチマークデータセット上でトークンレベルの教師付きモデルとのギャップを埋めることができ,SIタスクに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-08-09T05:08:57Z)
• AutoWS: Automated Weak Supervision Framework for Text Classification [1.748907524043535]
  本稿では、ドメインエキスパートへの依存を減らしつつ、弱い監督プロセスの効率を高めるための新しい枠組みを提案する。 本手法では,ラベルクラス毎にラベル付きサンプルの小さなセットが必要であり,多数のラベル付きデータにノイズ付きラベルを割り当てるラベル付き関数のセットを自動生成する。
  論文  参考訳（メタデータ） (2023-02-07T07:12:05Z)
• Losses over Labels: Weakly Supervised Learning via Direct Loss Construction [71.11337906077483]
  プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。 ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。 いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T22:29:14Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Semantics through Time: Semi-supervised Segmentation of Aerial Videos with Iterative Label Propagation [16.478668565965243]
  本稿では,SegPropの導入によって自動アノテーションへの重要な一歩を踏み出す。 SegPropは、空間と時間におけるスペクトルクラスタリングに直接接続する、新しい反復フローベースの手法である。 Ruralscapesは、50フレーム毎に高解像度(4K)イメージと手動で注釈付けされた高密度ラベルを備えた、新しいデータセットである。 われわれの小説『SegProp』は、残っていない98%のフレームを90%を超える精度で自動的に注釈付けする。
  論文  参考訳（メタデータ） (2020-10-02T15:15:50Z)

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。