毒性模因：关于检测和解释模因毒性的计算视角调查

该研究提出了新的分类方法，调查了有害网络迷因的现状，发现现有数据集存在问题。

研究提供了HarMeme数据集，并强调多模态信号在检测有害模因和社会实体中的重要性。

通过对网络喷子产生的恶意文本和图片进行分类，发现基于多语言的内容分类性能更佳。

研究设计了一种多模态分类方法，利用文本和图像识别有害网络谣言，并提供用户友好的界面。

提出了一种多维度的网络毒性检测方法，结合显式知识和统计学习算法，解决检测中的复杂性问题。

MOMENTA深度神经网络方法能够系统分析输入迷因的局部和全局视角，实验结果显示其性能优于其他方法。

研究调查了互联网用户对毒性内容的期望，发现经历过骚扰的用户更可能标记内容为有毒。

提出的Perspective API通过个性化模型提高了毒性分类的准确性，并强调了改进分类器公平性和效果的方向。

研究提出了一种可解释的方法来检测有害互联网迷因，能够辨别模糊和隐含的危害模式，并提供可视化解释。

首次为混合代码网络欺凌迷因引入了基准数据集，并通过实验验证了多模式解释的有效性。