KID：面向知识驱动有害 meme 检测的知识注入双头学习
计算与语言
2026-01-30 v1 人工智能
摘要
Internet memes 已成为数字文化在社交平台上广泛载体。然而，它们对隐喻和社会文化背景的强烈依赖也使其成为隐蔽的有害内容载体，为自动内容 moderation 提出了重大挑战。现有方法主要关注单模态和跨模态信号分析，而对隐式有害内容的理解往往依赖于 meme 本身未显式呈现的背景知识。为此，我们提出了 KID，一个面向知识驱动有害 meme 检测的知识注入双头学习框架。KID 采用标签约束的蒸馏范式，将复杂的 meme 理解分解为结构化推理链，显式链接视觉证据、背景知识和分类标签。这些链条通过将外部知识锚定在 meme-specific 上下文中来指导学习过程。此外，KID 采用双头架构，联合优化语义生成和分类目标，实现对齐的语言推理，同时保持稳定的决策边界。广泛的实验在覆盖英语、中文和低资源孟加拉语的五个多语言数据集上表明，KID 在二分类和多标签有害 meme 检测任务上实现了最先进性能，主要评估指标上比前任最佳方法提升 2.1%-19.7%。消融研究进一步确认了知识注入和双头联合学习的有效性，凸显了其对稳健和通用 meme 理解的互补贡献。代码和数据已公开于 https://github.com/PotatoDog1669/KID。
引用
@article{arxiv.2601.21796,
title = {KID: Knowledge-Injected Dual-Head Learning for Knowledge-Grounded Harmful Meme Detection},
author = {Yaocong Li and Leihan Zhang and Le Zhang and Qiang Yan},
journal= {arXiv preprint arXiv:2601.21796},
year = {2026}
}