論文の概要: MemeTrace: A Multimodal LLM-Based Agent for Safety-Aware Meme Provenance Analysis

• arxiv url: http://arxiv.org/abs/2610.19267v1
• Date: Tue, 13 Oct 2026 22:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.83266
• Title: MemeTrace: A Multimodal LLM-Based Agent for Safety-Aware Meme Provenance Analysis
• Title（参考訳）: MemeTrace: 安全を意識したミーム検出分析のためのマルチモーダルLCMベースのエージェント
• Abstract要約: 我々は,新興ミームの出現と潜在的なリスクを自動的に追跡するマルチモーダルLSMベースのエージェントであるMemeTraceを紹介した。 MemeTrace on Meme100, a dataset of 100 real-world meme, using human annotations and automatic metrics。 MemeTraceは、特に偽情報やセンシティブなコンテンツを含む、安全でないミームの検出において高い精度を達成する。
• 参考スコア（独自算出の注目度）: 21.49554601602679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online memes are often carriers of unsafe content such as disinformation and propaganda. Their rapid evolution in response to news events and strong dependence on contextual information make it difficult for platforms and moderators to detect and moderate them effectively. Moreover, existing moderation studies typically classify memes as safe or unsafe based on individual images, lacking the ability to perform broader provenance analysis, i.e., where a meme originates, how it spreads, what cultural symbolism it represents, whether it poses potential risks to society, etc. To bridge this gap, we introduce MemeTrace, a multimodal LLM-based agent that automatically traces the provenance and potential risks of emerging memes. We evaluate MemeTrace on Meme100, a dataset of 100 real-world memes, using both human annotation and automatic metrics. The results demonstrate that MemeTrace substantially outperforms the VLM baseline. More importantly, MemeTrace achieves higher accuracy in detecting unsafe memes, especially those involving disinformation and sensitive content, and remains robust under visual perturbations.
• Abstract（参考訳）: オンラインミームは、偽情報やプロパガンダのような安全でないコンテンツのキャリアであることが多い。 ニュースイベントに対する反応の急速な進化と文脈情報への強い依存は、プラットフォームやモデレーターがそれらを効果的に検出し、抑制することを困難にしている。 さらに、既存のモデレーション研究は、ミームを個々の画像に基づいて安全または安全でないものと分類し、より広範なプロファイランス分析を行う能力、すなわちミームの発祥地、その拡散方法、その表現する文化的象徴、社会に潜在的なリスクをもたらすか否か、などを欠いている。 このギャップを埋めるために,新興ミームの出現と潜在的なリスクを自動的に追跡するマルチモーダルLSMベースのエージェントであるMemeTraceを紹介した。 MemeTrace on Meme100, a dataset of 100 real-world meme, using human annotations and automatic metrics。 その結果,MemeTraceはVLMベースラインを著しく上回っていることがわかった。 さらに重要なことに、MemeTraceは安全でないミーム、特に偽情報やセンシティブなコンテンツの検出において高い精度を達成する。

関連論文リスト

• MemeReaCon: Probing Contextual Meme Understanding in Large Vision-Language Models [50.2355423914562]
  我々は,LVLM(Large Vision Language Models)がミームを本来の文脈でどのように理解するかを評価するために設計された,新しいベンチマークであるMemeReaConを紹介する。 私たちは5つのRedditコミュニティからミームを収集し、各ミームの画像、ポストテキスト、ユーザーコメントを一緒に保持しました。 モデルは文脈において重要な情報を解釈できないか、あるいはコミュニケーション目的を見越しながら視覚的詳細に過度に焦点を合わせるかのどちらかです。
  論文  参考訳（メタデータ） (2025-05-23T03:27:23Z)
• Are Vision-Language Models Safe in the Wild? A Meme-Based Benchmark Study [15.256561636802457]
  MemeSafetyBenchは、有害な命令と良質な命令の両方で、実際のミームイメージをペアリングするベンチマークである。 実世界のミームが有害なアウトプットに与える影響,会話コンテキストの緩和効果,モデル尺度と安全性指標の関係について検討する。
  論文  参考訳（メタデータ） (2025-05-21T11:26:40Z)
• MemeSense: An Adaptive In-Context Framework for Social Commonsense Driven Meme Moderation [9.965113190672016]
  有害ミームに対する社会的基盤的介入を生成するために設計された適応型フレームワークであるMemeSenseを紹介する。 MemeSenseは、視覚的およびテキスト的理解と、コモンセンスの手がかりに富んだ、意味的に整合した例を組み合わせる。 MemeSenseは最先端の手法より優れており、意味的類似性が最大35%向上し、非テキストミームのBERTScoreが9%向上している。
  論文  参考訳（メタデータ） (2025-02-16T19:46:24Z)
• A Template Is All You Meme [76.03172165923058]
  5,200以上のmemeテンプレート、それらに関する情報、および54,000のテンプレートインスタンスの例で構成された知識ベースを作成します。 ミームテンプレートのセマンティック信号を調べるために,データセット中のミームと知識ベースに含まれるベーステンプレートを距離ベースで検索することでマッチングできることを示す。 メメテンプレートの検証により,検討対象のデータセット毎の最先端性能が得られ,テンプレート性に基づく解析方法が確立された。
  論文  参考訳（メタデータ） (2023-11-11T19:38:14Z)
• DisinfoMeme: A Multimodal Dataset for Detecting Meme Intentionally Spreading Out Disinformation [72.18912216025029]
  偽情報ミームの検出を支援するためにDisinfoMemeを提案する。 このデータセットには、COVID-19パンデミック、Black Lives Matter運動、ベジタリアン/ベジタリアンという3つのトピックをカバーするRedditのミームが含まれている。
  論文  参考訳（メタデータ） (2022-05-25T09:54:59Z)
• Detecting and Understanding Harmful Memes: A Survey [48.135415967633676]
  我々は有害なミームに焦点を当てた総合的な調査を行っている。 興味深い発見の1つは、多くの有害ミームが実際には研究されていないことである。 別の観察では、ミームは異なる言語で再パッケージ化することでグローバルに伝播し、多言語化することもできる。
  論文  参考訳（メタデータ） (2022-05-09T13:43:27Z)
• Memes in the Wild: Assessing the Generalizability of the Hateful Memes Challenge Dataset [47.65948529524281]
  Pinterestからヘイトフルで非ヘイトフルなミームを収集して、Facebookデータセットで事前トレーニングされたモデルで、サンプル外のパフォーマンスを評価します。 1) キャプションをOCRで抽出しなければならない,2) ミームは従来のミームよりも多様であり, 会話のスクリーンショットやテキストをプレーンな背景に表示する,という2つの重要な側面がある。
  論文  参考訳（メタデータ） (2021-07-09T09:04:05Z)
• Multimodal Learning for Hateful Memes Detection [6.6881085567421605]
  本稿では,画像キャプション処理をミーム検出プロセスに組み込む新しい手法を提案する。 本モデルは,Hateful Memes Detection Challengeにおける有望な結果を得る。
  論文  参考訳（メタデータ） (2020-11-25T16:49:15Z)

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。