一种提升视频内容审核的人机协同框架
机器学习
2022-10-19 v1
摘要
我们处理视频内容审核领域中的视频内局部化分类学人工标注问题，其目标是识别违反细粒度策略（例如在线视频平台上的社区准则）的视频片段。高质量人工标注对于内容审核中的执行至关重要。由于信息过载问题，这具有挑战性——标注人员需要在有限的审核时长内，对相对较长的视频应用具有模糊定义的大量细粒度违规策略分类。我们的关键贡献是一种新颖的人-机器学习（ML）协同框架，旨在最大化该设置下人工决策的质量与效率——人工标签被用于训练片段级模型，其预测作为“提示”展示给人工标注人员，指示视频中可能存在特定违规策略的区域。人工验证/修正的片段标签可进一步精炼模型，从而创建人-ML 正向反馈回路。实验表明，通过在相似审核时长内提交更细粒度的标注，提升了人工视频审核决策的质量与效率，并使提示生成模型的 AUC 提升 5-8%。
引用
@article{arxiv.2210.09500,
title = {A Human-ML Collaboration Framework for Improving Video Content Reviews},
author = {Meghana Deodhar and Xiao Ma and Yixin Cai and Alex Koes and Alex Beutel and Jilin Chen},
journal= {arXiv preprint arXiv:2210.09500},
year = {2022}
}
备注
5 pages, Human-in-the-Loop Data Curation Workshop CIKM'22