arXiv cs.AI· Hexiang Gu, Saihui Hou, Changlan Liu, Min Ren, Huijia Wu, Hongxun Gu, Zhaofeng He·· 3 天前AI 评分22
MemeLogos：知识驱动检索增强推理的有害模因检测框架
MemeLogos: Knowledge-Driven Retrieval-Augmented Reasoning for Harmful Meme Detection
AI 导读
MemeLogos 是一个知识驱动的检索增强推理框架，用于有害模因检测，通过将反复出现的有害模式与推理结构抽象为可复用知识单元，并组织成星形知识图谱。该框架结合结构化知识检索与受认知机制启发的显式多阶段推理过程，以检索到的知识引导有害性推理。实验表明，MemeLogos 在检测性能上持续优于现有有害模因检测方法，并生成更连贯、可解释的推理过程。
正文 · AI 翻译
摘要：随着社交媒体的迅速普及，有害模因已成为对在线生态系统日益增长的威胁。其危害性往往通过视觉、文本和语境线索之间复杂的交互隐式传达，使得准确检测颇具挑战。近期研究将检索增强生成（RAG）和外部知识引入有害模因检测。然而，现有方法主要检索相似实例或辅助信息，限制了其捕捉可复用危害性知识和潜在推理机制的能力，从而制约了检测性能和可解释性。为应对这些挑战，我们提出 MemeLogos，一个面向有害模因检测的知识驱动检索增强推理框架。MemeLogos 从多样化的有害案例中抽象出反复出现的危害性模式和推理结构，将其转化为可复用的知识单元，并组织成一个专用的星形知识图谱。通过将结构化知识检索与受认知机制启发的显式多阶段推理过程相结合，MemeLogos 利用检索到的知识引导危害性推理，提升了检测可靠性和可解释性。大量实验表明，MemeLogos 持续优于现有的有害模因检测方法，同时生成更连贯、更可解释的推理，证明了结构化危害性知识对多模态内容理解的有效性。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15463 [cs.AI] |
| （或 arXiv:2610.15463v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15463 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hexiang Gu [查看邮箱]
[v1]
2026年10月11日星期日 09:02:32 UTC（6,984 KB）
来源：arXiv cs.AI · arxiv.org