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

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

本文提出了一种基于多种单模态和双模态模型结构的集合系统，旨在通过 SemEval 2022 Task 5 数据集对多媒体中的自动仇恨检测进行建模，并实现了一个新的模型融合网络和集成学习方法来获得更好的性能。该系统在 sub-task A 中实现了 0.755 的宏平均 F1 分数（第 11 名），在 sub-task B 中实现了 0.709 的加权平均 F1 分数（第 10 名）。

Apr, 2022

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

本文提出了一种新的多模态方法，将图像字幕流程融合到恶意模因检测过程中，以提高其有效性，以在 Hateful Memes Detection Challenge 上取得了良好的结果。

Nov, 2020

本文针对当前因网络平台被用于地缘政治事件和社会问题而使得互联网谣言的信息审核变得更加困难，旨在设计实现一个多模态分类方法，利用文本和图像来识别有害的网络谣言，通过举例和原型推理比较示范算法之间的性能差异，为社区提供启发，同时设计一种用户友好的界面以方便对比分析结果。

Dec, 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

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