作者：  （1）曹睿，新加坡管理大学；  （2） Ming Shan Hee，新加坡设计科技大学；  （3）DSO国家实验室的 Adriel Kuek；  （4）Wen-Haw Chong，新加坡管理大学；  （5）Roy Ka-Wei Lee，新加坡设计科技大学 （6）蒋菁，新加坡管理大学。 链接表 摘要和引言 相关工作 初步的 提出的方法 实验 结论和参考文献 附录 2 相关工作 通常意在幽默或讽刺，但却越来越多地被用于传播仇恨内容，从而导致了在线仇恨表情包检测任务的挑战性 [5、12、27]。为了打击仇恨表情包的传播，一项研究将仇恨表情包检测视为一项多模态分类任务。研究人员应用预先训练的视觉语言模型 (PVLM)，并根据表情包检测数据对其进行微调 [20、26、34、37]。为了提高性能，一些人尝试了模型集成 [20、26、34]。另一项研究考虑将预训练模型（例如 BERT [4] 和 CLIP [29]）与特定于任务的模型架构相结合，并对其进行端到端调整 [13、14、28]。最近，[2] 中的作者尝试将所有表情包信息转换为文本，并提示语言模型更好地利用语言模型中存在的上下文背景知识。该方法在两个仇恨模因检测基准上取得了最佳结果。但是，它采用了一种通过图像字幕描述图像的通用方法，通常会忽略仇恨模因检测所需的重要因素。在这项工作中，我们试图通过基于探测的字幕解决这个问题，即以零样本 VQA 方式向预先训练的视觉语言模型提示以仇恨内容为中心的问题。 表情包 该论文 。 可在 arxiv 上根据 CC 4.0 许可获取

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Memeology.TECH

Read My Stories

Memeology

該音頻是用故事的原始語言製作的！

应对仇恨模因检测的复杂性

About Author

註釋

標籤

这篇文章刊登在

Related Stories

成功云迁移的完整指南：策略和最佳实践

从论坛到信息流：社交媒体算法如何塑造数字互动

Telegram：加密岛通往大陆的桥梁

架构师指南：构建 AI/ML 数据湖参考架构

成功云迁移的完整指南：策略和最佳实践

从论坛到信息流：社交媒体算法如何塑造数字互动

Telegram：加密岛通往大陆的桥梁

架构师指南：构建 AI/ML 数据湖参考架构

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps