في عالم الإنترنت المعاصر، أصبحت الميمات الضارة تمثل تحديًا كبيرًا لمستخدمي الشبكات الاجتماعية. وفي هذا السياق، تمثل تقنية HarmTrace تقدمًا ثوريًا في الكشف عن هذه الميمات من خلال التركيز على تحديد الأهداف بصورة دقيقة.

تقنية HarmTrace تعتمد على إطار عمل مُصمم خصيصًا لتسهيل عملية الكشف عن الميمات الضارة عبر استهداف الأهداف بدقة. لكنها لا تقتصر فقط على تحديد إذا كانت الميمات ضارة، بل تعمق الحدث لتسأل: ما نوع الهدف المتعرض للهجوم؟ ومن هو المستهدف؟ وأين يظهر هذا المستهدف داخل الميم؟

لتعزيز هذه المهمة، تم تقديم نموذج متكامل تحت مسمى Meme3W، الذي يجمع بين عدة مجموعات بيانات متعلقة بالميمات الضارة ويوفر تسميات موثوقة من قبل البشر. ولعل أبرز الابتكارات في هذا الإطار هو Introduced Joint Record Accuracy (JRA)، الذي يمثل مقياسًا دقيقًا يتطلب توافق تسميات الضار والمعلومات المستهدفة.

ومن خلال تجارب أُجريت على نماذج لغوية متعددة (Multimodal Large Language Models)، تم رصد فجوة كبيرة بين دقة الضار وJRA. لذلك، تم اقتراح إطار العمل HarmTrace الذي يعمل على تعزيز الإشراف على الكيانات المستهدفة. وتقوم التقنية باستخدام Conditional Target-identification Policy Optimization (CTPO) لفصل مزايا الضار عن مزايا تحديد الأهداف، مما يساعد في تحسين كفاءة تحديد الأهداف.

من خلال تطوير هذه التقنية، شهدت مستوياته تحسينًا ملحوظًا، حيث زادت JRA على النموذج Qwen3-VL-8B من 17.58% إلى 52.51%. تتوفر شيفرة HarmTrace للعامة عبر رابط GitHub.

إذا كنت مهتمًا بالتطورات الجديدة في مجال الذكاء الاصطناعي وكيفية مواجهة الميمات الضارة، فما رأيك في هذه التقنية الجديدة؟ شاركنا بآرائك في التعليقات!