Multi-Modal Personalization for Toxicity Detection via Reinforcement-Learned Spiking Neural Fusion
Notice bibliographique
Résumé
Toxicity detection in online interactions is a critical challenge for fostering safe and inclusive digital environments. Traditional approaches often rely on single-modality data or static models, limiting their ability to capture nuanced and context-dependent toxic behaviors. This paper presents a novel multi-modal framework for personalized toxicity detection, leveraging Convolutional Spiking Neural Networks (CSNNs) and reinforcement learning (RL). The system integrates text, audio, and visual modalities through a late fusion strategy, enabling the detection of complex toxic cues spanning verbal, paralinguistic, and non-verbal domains. Reinforcement learning dynamically adapts the model to user-specific preferences, addressing cultural and contextual variations in interpreting toxicity. Experimental results demonstrate the framework's effectiveness, achieving superior performance and significantly outperforming state-of-the-art models. The integration of attention mechanisms and spiking neurons enhances interpretability and temporal modeling, while RL-driven fine-tuning reduces false positives and negatives, improving user satisfaction. This work underscores the potential of combining multimodal learning and reinforcement learning for robust and adaptable toxicity detection. Future directions include expanding datasets to capture diverse cultural contexts, optimizing computational efficiency for real-time applications, and exploring additional modalities to further enhance performance. The proposed framework represents a significant step toward intelligent, user-centric solutions for toxicity detection across diverse digital platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».