EMNLPOct, 2023

BanglaAbuseMeme：孟加拉语辱骂梗分类数据集

PDF
TL;DR使用社交媒体平台增加了信息共享，也导致在线滥用的急剧增加。Memes 是一种滥用个人或社群的简单而有效的方式，因此有必要开发检测和标记滥用 Memes 的高效模型。本文构建了一个孟加拉 Memes 数据集，并使用该数据集实现了多种基准模型来对滥用 Memes 进行分类。我们观察到使用文本和视觉信息的多模态模型优于单模态模型，最佳模型的宏 F1 分数达到了 70.51。最后，我们对最佳文本、图像和多模态模型的错误分类的 Memes 进行了定性错误分析。
social media platformsonline abusememesbengali meme datasetmultimodal models
发现论文，激发创造
  • 可解释的孟加拉笑话的多模态情感分析

    本研究采用 ResNet50 和 BanglishBERT 的多模态方法，在低资源语言（如孟加拉语）的 memes 情感分析中取得了令人满意的 0.71 的加权 F1 分数，并通过可解释人工智能（XAI）技术对模型的行为进行解释性分析。

    Dec, 2023

  • 解读仇恨：辨识仇恨迷因及其目标

    提出 Bengali Hateful Memes（BHM）数据集以及用于检测恶意表情包和识别相关社会实体的 DORA 模型，该模型在低资源恶意表情包数据集上表现出色。

    Mar, 2024

  • 孟加拉模因和文本的多模态仇恨言论检测

    本文旨在探讨利用机器学习和自然语言处理技术，通过分析包含图像和文本的 Bengali 跨媒体互动，检测恶意言论。我们准备了一个新颖的数据集，并使用双向长短时记忆网络、卷积神经网络、ResNet-152、DenseNet-161、monolingual Bangla BERT、multilingual BERT-cased/uncased 和 XLM-RoBERTa 等多种模型进行了实验，其中 XLM-RoBERTa+DenseNet-161 模型的 F1 得分最高为 0.83。

    Apr, 2022

  • hate-alert@DravidianLangTech-ACL2022: 集成多模态技术用于泰米尔语嘲讽 Meme 分类

    我们探索了多种模型来检测泰米尔语中的僵尸谷迷因，发现基于图像的模型 VGG16 在检测僵尸谷迷因上表现优异，但基于文本的模型 MURIL 在检测非僵尸谷迷因上表现更好，将这两种模型结合起来，我们达到了稳定的结果并在 ACL-2022 的 “DravidianLangTech2022” 中排名第二，实现了加权平均 F1 得分为 0.561。

    Mar, 2022

  • 仇恨表情包检测的多模态学习

    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

  • 检测有害模因及其攻击目标

    本研究提出了两种新的问题定义：检测有害的互联网模因及其攻击的社会实体，并提供了 HarMeme 数据集。评估结果表明，使用多模态信号对这两个任务都很重要，但是需要进一步研究来解决现有模式的局限性。

    Sep, 2021

  • 一种用于检测恶意模因的多模态框架

    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

  • 使用多模态深度学习方法检测恶意表情包：恶意表情包挑战赛中获奖解决方案

    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

  • 恶毒模因挑战下一步

    本研究探讨了如何解决图片与文本混合的分类问题，尝试使用半监督学习技术生成更多可标注的恶意模因来提升分类准确率，但必须经过人工过滤和筛选。

    Dec, 2022

  • 多模态和可解释的网络模因分类

    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