本文描述了我们提交到 SemEval-2022 Task 5 的分类系统，旨在通过分析文本和 meme 图像一起识别多方面的厌恶内容，我们提出了两种基于预训练 UNITER 模型的模型和一种基于词表图卷网络的模型，并探索了一个集合方法，我们最好的模型在 Sub-task A 达到 71.4% 的 F1 值，在 Sub-task B 达到 67.3％的 F1 值，这将我们的团队排在排行榜的前三分之一。我们在 GitHub 上发布了我们的代码和实验。

May, 2022

该论文描述了他们在 SemEval 2022 竞赛的任务 5（多媒体自动仇恨辨别）中，构建通用框架以处理多模式嵌入和多标签二进制分类任务的工作。为了避免深度模型从零开始的资源和数据饥饿问题，作者采用三种主要策略，即组合不同的先进架构来捕捉来自多模态输入的广泛语义信号，采用多任务学习模式来利用来自同一领域的多个数据集以提高模型性能以及使用多个目标来规范和微调不同的系统组件。

Jun, 2022

本文针对近年来社交媒体上出现的对女性的在线骚扰现象，提出了一种基于图文混合的早期融合模型，用于预测和识别女性歧视性迷因。该模型利用预训练语言模型和图像模型，以有效地获取图像表示。经过实验验证，模型在 SemEval-2022 任务 5 中表现出良好的竞争力和优越的性能。

Mar, 2022

本文描述了我们团队在 SemEval-2022 任务 5 中开发的自动鄙视女性言论辨识系统，该系统采用了 Bertweet 和 ResNet-18 等多种模型进行文本和图像分析，取得了较好的分类效果，排名 15 和 11 位。

Feb, 2022

本文提出了一种多模态架构，通过结合文本和视觉特征来检测具有女性仇恨倾向的 Internet 媒体，该解决方案在 SemEval-2022 Task 5：MAMI 挑战中所取得的最佳的成绩，其中包括对有羞辱、刻板印象、物化和暴力等亚类的分类。

Apr, 2022

本篇研究提出一种多模态半监督学习方法，可用于探测社交媒体上的恶意图片，该方法结合了自动编码器和分类任务，通过 Contrastive Language-Image Pre-training 实现。在两个数据集上，该方法表现优于其他多模态半监督学习和有监督学习的现有模型。

Mar, 2023

社交媒体上有毒内容的普及，如仇恨言论、冒犯性语言和厌女症，已经引起了自然语言处理领域的广泛关注。本文介绍了首个阿拉伯语厌女症识别任务的提交系统，并研究了基于预训练 MARBERT 语言模型的多任务学习模型和单任务对应模型。而所有提交的模型在厌女症识别和分类任务中都取得了最佳表现（排名前三）。

Jun, 2022

本研究介绍了一个新颖的多模式多任务学习架构，该架构将 ALBERT 文本编码与 VGG-16 图像表示相结合，可用于分析互联网迷因，该方法在 SemEval-2020 Task 8 比赛的三个子任务中，均超过了官方基线结果。

Sep, 2020

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

本研究探讨使用 BERT 为基础的模型，通过迁移学习方式在多种表现形式的文本和图像中进行细微调整来检测饱受欢迎的疫情行销手法，如梗图。我们还尝试了不同模型的集合效果，在三个子任务上分别获得了 57.0％，48.2％和 52.1％的 F1-score。

Jun, 2021