論文の概要: Complementing Text Based Moderation with Multimodal Grounding: Detecting Fraudulent Inducement Behaviors on Short Video Platforms

• arxiv url: http://arxiv.org/abs/2610.38185v1
• Date: Wed, 28 Oct 2026 02:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:36:55.069123
• Title: Complementing Text Based Moderation with Multimodal Grounding: Detecting Fraudulent Inducement Behaviors on Short Video Platforms
• Title（参考訳）: マルチモーダルグラウンドによるテキストベースモデレーションの補完:ショートビデオプラットフォームにおけるフラデュレント誘導行動の検出
• Abstract要約: ショートビデオのインデューサは、インターネット金融における黒とグレーの産業活動の主要なチャネルとなっている。 モデレーションシステムは、検出リコールを保証し、違反するセグメントをローカライズし、関連するクリップのみを検査する必要がある。 既存のOCR+Mパイプラインは、画面上のテキストフレームをフレームで書き起こし、その書き起こしを分類するが、テキスト情報のみを利用する。 OCR+MLLMは、検出、レイテンシ、トークン消費、デプロイメントの複雑さとともに、マルチモーダルな大規模言語モデルでテキストパイプラインを拡張します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short video platforms have become a primary channel for black and gray industry operations in internet finance, where inducements such as prompts to like, follow, join private chat groups, or click external links frequently steer users toward fraud. Because such videos are short, dynamic, and often convey intent through fleeting visual cues rather than stable text, a moderation system must guarantee detection recall and localize the offending segment so reviewers inspect only the relevant clip. Existing OCR+LLM pipelines transcribe on-screen text frame by frame and classify the transcript, but exploit only textual information. Many inducements are conveyed through visual cues OCR cannot observe, and keyframe-based localization cannot recover precise temporal boundaries. We explore OCR+MLLM, which augments the text pipeline with a Multimodal Large Language Model, and compare three routes: OCR+LLM, OCR+MLLM, and a large zero-shot MLLM, along detection, latency, token consumption, and deployment complexity. OCR preserves the text signal that guarantees recall, while the MLLM jointly performs OCR-grounded discrimination and temporal grounding, localizing both textual and non-textual inducements. We construct a dataset of 2,419 internet finance short videos (66.49 hours) with 3,194 annotated events across four categories, and study reward design for RL-based grounding under class imbalance. We report two findings: auxiliary reward terms are exploited through reward hacking, and stronger localization rewards degrade class-balanced detection. We therefore design a recall-weighted F2 localization reward with class-balanced resampling. Experiments show OCR+MLLM localizes better than the keyframe OCR+LLM baseline (mIoU 26.52 vs. 14.49) and detects non-textual inducements that text-only pipelines miss, while maintaining 67.0 percent macro recall.
• Abstract（参考訳）: ショートビデオプラットフォームは、インターネットファイナンスにおける黒とグレーの産業活動の主要なチャネルとなり、ユーザーの好み、フォロー、プライベートチャットグループへの参加、あるいは外部リンクを頻繁にクリックして不正行為を防いでいる。 このようなビデオは短く、動的であり、しばしば、安定したテキストではなく視覚的な手がかりを流すことによって意図を伝えるため、モデレーションシステムは検出リコールを保証し、違反するセグメントをローカライズする必要があるため、レビュアーは関連するクリップのみを検査する必要がある。 既存のOCR+LLMパイプラインは、画面上のテキストフレームをフレームで書き起こし、その書き起こしを分類するが、テキスト情報のみを利用する。 多くのインデューサは、OCRが観測できない視覚的手がかりを通して伝達され、キーフレームベースのローカライゼーションは正確な時間境界を回復できない。 OCR+MLLM, OCR+LLM, OCR+MLLM, および大規模なゼロショットMLLMの3経路を, 検出, レイテンシ, トークン消費, デプロイメントの複雑さとともに比較した。 OCR はリコールを保証するテキスト信号を保持し、MLLM は OCR-grounded discrimination と temporal grounding を共同で実行し、テキストと非テキストの両方をローカライズする。 我々は、4つのカテゴリに3,194件の注釈付きイベントを含む2,419件のインターネットファイナンスショートビデオ(66.49時間)のデータセットを構築し、クラス不均衡下でのRLベースグラウンドの報酬設計について研究する。 補助報酬項は報奨ハッキングによって利用され,より強力な局所報酬はクラスバランス検出を低下させるという2つの知見を報告した。 そこで我々は,クラスバランスを再サンプリングしたリコール重み付きF2ローカライゼーション報酬を設計する。 実験の結果、OCR+MLLMはキーフレームのOCR+LLMベースライン(mIoU 26.52 vs. 14.49)よりもローカライズされ、テキストのみのパイプラインが欠落する非テキストインジェクションを検出し、67.0パーセントのマクロリコールを維持した。

関連論文リスト

• TextVBench: Evaluating Text Rendering and Preservation in Video Generation [28.229261085054745]
  我々は,マルチテキストビデオ,マルチインスタンス問題として視覚的時間的評価を定式化するベンチマークおよび評価フレームワークであるTextVBenchを紹介する。 どちらのトラックも、無条件のVLM転写よりもターゲット候補の選択を使用し、複数のOCR領域への1つのターゲットマッピングをサポートし、フレームレベルの空間的忠実度とフレーム間の時間的忠実度を分離する。 長さ目標スコアはこれらの因子を要約し、テキスト外の診断モードは単一のOCRスコアで隠される。
  論文  参考訳（メタデータ） (2026-10-09T11:21:17Z)
• TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
  TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。 TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
  論文  参考訳（メタデータ） (2026-08-08T04:50:00Z)
• Beyond Scene Priors: Fine-Grained Traffic Scene Reasoning with Benchmarking and Query-Guided Small-Object Focus [21.376452292092836]
  我々は、FGTR-BenchとTSR-MLLM(Text-Guided Small-Object Reasoning MLLM)を提案する。 FGTR-Benchは、マルチエージェント生成、一貫性チェック、専門家監査を通じて作成される40,236のシングルイメージのMultiple-Choice Questions (MCQ)で構成されている。 Qwen3-VL-4B上に構築されたTSR-MLLMは、クエリ条件付きテキストガイド型小型オブジェクトフォーカス(TG-SOF)マップを使用して証拠の希釈を解決する。
  論文  参考訳（メタデータ） (2026-07-05T07:27:02Z)
• MME-VideoOCR: Evaluating OCR-Based Capabilities of Multimodal LLMs in Video Scenarios [66.59827827146262]
  我々は,ビデオOCRアプリケーションシナリオを包括的に含むMME-VideoOCRベンチマークを紹介する。 ベンチマークは、解像度、アスペクト比、持続時間が異なる1,464本のビデオと、2000本の細心の注意を払って、手動で注釈付けされた質問回答ペアで構成されている。 MME-VideoOCRを用いて18種類のMLLMを評価し,最高の性能モデル(Gemini-2.5 Pro)でさえ73.7%の精度で達成できることを示した。
  論文  参考訳（メタデータ） (2025-05-27T15:27:46Z)
• MLLM as Video Narrator: Mitigating Modality Imbalance in Video Moment Retrieval [53.417646562344906]
  Video Moment Retrieval (VMR) は、自然言語クエリが与えられた未トリミング長ビデオ内の特定の時間セグメントをローカライズすることを目的としている。 既存の方法は、しばしば不十分なトレーニングアノテーションに悩まされる。つまり、文は通常、単語の多様性が制限された前景の顕著なビデオ内容のごく一部と一致する。 この本質的なモダリティの不均衡は、視覚情報のかなりの部分がテキストと一致しないまま残されている。 本研究では,MLLMをビデオナレーターとして用いて,ビデオのテキスト記述を多用し,モダリティの不均衡を緩和し,時間的局所化を促進させる。
  論文  参考訳（メタデータ） (2024-06-25T18:39:43Z)
• Adversarial Training with OCR Modality Perturbation for Scene-Text Visual Question Answering [8.382903851560595]
  Scene-Text Visual Question Answering (ST-VQA) は、画像中のシーンテキストを理解し、テキストコンテンツに関連する質問に答えることを目的としている。 既存の手法の多くは光学文字認識(OCR)システムの精度に大きく依存している。 本研究では,空間認識機能を備えたマルチモーダル対向学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-14T11:22:06Z)
• RaP: Redundancy-aware Video-language Pre-training for Text-Video Retrieval [61.77760317554826]
  冗長性を考慮したビデオ言語事前学習を提案する。 我々は,ビデオパッチとテキストトークンの冗長性の測定を,クロスモーダルな最小相似性を計算することによって設計する。 提案手法はMSRVTT, MSVD, DiDeMo, LSMDCの4つのベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-10-13T10:11:41Z)
• Video Corpus Moment Retrieval with Contrastive Learning [56.249924768243375]
  ビデオコーパスモーメント検索(VCMR)は、与えられたテキストクエリに意味的に対応する時間モーメントを取得することです。 VCMRのためのコントラシブラーニング(ReLoCLNet)を用いた検索・ローカリゼーションネットワークを提案する。 実験の結果、ReLoCLNetは効率のためにテキストとビデオを個別にエンコードし、その検索精度はクロスモーダル相互作用学習を採用するベースラインと匹敵する。
  論文  参考訳（メタデータ） (2021-05-13T12:54:39Z)

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。