利用多模深度学习检测网络反犹太主义 -《颠覆犹太统治
该研究探讨了使用语义和多模态上下文来检测隐含和明确的仇恨言论，并且发现使用这种方法可以提高模型性能。同时还针对一批 5000 个多模态内容样本进行了高质量的注释，并将其释放为公开可用的语料库和代码。
Jun, 2021
本文提出了一种检测新兴编码仇恨化术语的方法，该方法在在线反犹太人言论的背景下进行了测试，主要通过对社交媒体平台上的帖子进行抓取并计算其在整个语料库中的频率，以过滤掉语法不连贯的表达和先前遇到过的表达，最后通过对已知的反犹太术语的语义相似性进行评估，并移除与之相距过远的表达，最终返回仅含有编码化仇恨表达的新兴反犹太术语。
Jan, 2024
本篇论文旨在针对多种形式的恶意言论，特别是采用 Memes 表达的恶意言论开发一种新的多模态框架，该框架通过交叉验证的集成学习等增强措施，有效提高了已有多模态方法的性能，并在 Facebook 组织的 2020 年恶意 Memes 挑战的第二阶段中获得了 AUROC 评分 80.53，位列第四。
Dec, 2020
本文提出了首个多模式深度学习框架，将表达情感的音频特征与语义特征相结合，以检测有害的多媒体内容，包括暴力辱骂和冒犯性言论，结果表明，情感特征的结合可以明显提高系统的性能，同时我们也提出了一个新的有害言论检测视频数据集（HSDVD）以支持多模式学习。
Feb, 2022
本文提出了一个大规模、定量的研究在线反犹太主义的方法，并使用科学方法量化了反犹太梗和 retoric 在网上的扩散和加剧程度。在收集百万级别的信息之后，我们提取了语义嵌入并演示了如何使用自动化技术发现并对反犹太术语进行分类。我们的结果为理解在线反犹太主义提供了数据驱动和定量的框架。
Sep, 2018
本文研究针对文本和图像组成的多模态出版物中仇恨言论的检测问题。 我们从 Twitter 收集和注释了大规模数据集 MMHS150K，并提出了不同的联合文本和视觉信息的模型用于比较仇恨言论检测中的单一模态检测，提供了定量和定性结果并分析了所提出任务的挑战。 我们发现，尽管图像对于仇恨言论检测任务很有用，但目前的多模态模型无法超越仅分析文本的模型。 我们讨论了原因并开放该领域和数据集以进行进一步研究。
Oct, 2019
Hateful Memes Challenge 使用 VisualBERT 多模态训练进行恶意标记检测，在挑战测试集中取得了 0.811 AUROC 和 0.765 的准确率，获得了 3173 名参赛者中的第三名
Dec, 2020
本文提出利用深度学习方法，结合各种嵌入技术，在社交媒体中检测各种类型的仇恨言论，特别是在包含有限上下文信息的推文中，这是一种非常具有挑战性的任务，三个公开数据集的实验结果表明精确度和 F1 得分都有显著提高。
May, 2020
提出一种新颖的深度学习模型 ——DeepHate，以使用多方面的文本表示方法（如词嵌入、情感和主题信息），自动检测在线社交平台上的仇恨言论。在三个公开可用的实际数据集上进行了广泛的实验和评估，结果表明 DeepHate 在检测仇恨言论的任务上优于现有技术水平，并进行了案例研究，以提供有助于检测在线社交平台上的仇恨言论的显着功能的见解。
Mar, 2021