Fugu-MT 論文翻訳(概要): CRAB: Class Representation Attentive BERT for Hate Speech Identification in Social Media

論文の概要: CRAB: Class Representation Attentive BERT for Hate Speech Identification in Social Media

arxiv url: http://arxiv.org/abs/2010.13028v1
Date: Sun, 25 Oct 2020 04:11:30 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 04:14:13.253960
Title: CRAB: Class Representation Attentive BERT for Hate Speech Identification in Social Media
Title（参考訳）: CRAB: ソーシャルメディアにおけるヘイトスピーチ識別のためのクラス表現アテンテートBERT
Authors: Sayyed M. Zahiri and Ali Ahmadvand
Abstract要約: CRAB(Class Representation Attentive BERT)は、ソーシャルメディアにおけるヘイトスピーチを検出するニューラルネットワークモデルである。このモデルは、(i)訓練可能なトークンワイドと文ワイドのクラス表現、(ii)最先端のBERTエンコーダからのコンテキスト化された入力埋め込みの2つのセマンティック表現の恩恵を受ける。以上の結果から,CRABは最先端のベースラインよりもMacro-averaged F1を1.89%向上させることがわかった。
参考スコア（独自算出の注目度）: 5.815163557481363
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, social media platforms have hosted an explosion of hate speech and objectionable content. The urgent need for effective automatic hate speech detection models have drawn remarkable investment from companies and researchers. Social media posts are generally short and their semantics could drastically be altered by even a single token. Thus, it is crucial for this task to learn context-aware input representations, and consider relevancy scores between input embeddings and class representations as an additional signal. To accommodate these needs, this paper introduces CRAB (Class Representation Attentive BERT), a neural model for detecting hate speech in social media. The model benefits from two semantic representations: (i) trainable token-wise and sentence-wise class representations, and (ii) contextualized input embeddings from state-of-the-art BERT encoder. To investigate effectiveness of CRAB, we train our model on Twitter data and compare it against strong baselines. Our results show that CRAB achieves 1.89% relative improved Macro-averaged F1 over state-of-the-art baseline. The results of this research open an opportunity for the future research on automated abusive behavior detection in social media
Abstract（参考訳）: 近年、ソーシャルメディアプラットフォームはヘイトスピーチと不快なコンテンツが爆発的に増えている。効果的なヘイトスピーチ検出モデルの必要性は、企業や研究者から目覚ましい投資を受けている。ソーシャルメディアの投稿は概して短く、意味論は1つのトークンでも大幅に変更される可能性がある。したがって、このタスクは文脈対応の入力表現を学習し、入力埋め込みとクラス表現の関連点を付加信号として考えることが重要である。これらのニーズに対応するために,ソーシャルメディアにおけるヘイトスピーチ検出のためのニューラルモデルであるkani(class representation attentive bert)を提案する。モデルは2つの意味表現から恩恵を受けます。 (i)調教可能なトークン・センテンス・クラス表現、及び (II)最先端のBERTエンコーダからのコンテキスト化された入力埋め込み。 CRABの有効性を調べるため,Twitterデータ上でモデルをトレーニングし,強力なベースラインと比較した。以上の結果よりCRABは平均値F1を1.89%向上させた。本研究の成果は,ソーシャルメディアにおける虐待行動の自動検出に関する今後の研究の機会となる。

関連論文リスト

Hate Speech Detection Using Cross-Platform Social Media Data In English and German Language [6.200058263544999]
本研究は,YouTubeコメントにおけるバイリンガルヘイトスピーチの検出に焦点を当てた。コンテントの類似性、定義の類似性、一般的なヘイトワードなど、データセットがパフォーマンスに与える影響を測定する要素が含まれています。最高のパフォーマンスは、YouTubeコメント、Twitter、Gabのデータセットと、英語とドイツ語のYouTubeコメントのためのF1スコアの0.74と0.68を組み合わせることで得られる。
論文参考訳（メタデータ） (2024-10-02T10:22:53Z)
Towards Interpretable Hate Speech Detection using Large Language Model-extracted Rationales [15.458557611029518]
ソーシャルメディアプラットフォームは、ユーザーが対人的な議論を行い、意見を述べるための重要な場である。ヘイトスピーチのインスタンスを自動的に識別し、フラグを付ける必要がある。本稿では,現在最先端の大規模言語モデル (LLM) を用いて,入力テキストから有理形の特徴を抽出することを提案する。
論文参考訳（メタデータ） (2024-03-19T03:22:35Z)
Lexical Squad@Multimodal Hate Speech Event Detection 2023: Multimodal Hate Speech Detection using Fused Ensemble Approach [0.23020018305241333]
テキスト埋め込み画像から「ヘイトスピーチ」と「ノーヘイトスピーチ」の2つのラベルに分類し、ヘイトスピーチを検出するための新しいアンサンブル学習手法を提案する。提案したアンサンブルモデルでは,75.21と74.96を精度,F-1スコア(参照)として有望な結果を得た。
論文参考訳（メタデータ） (2023-09-23T12:06:05Z)
Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
論文参考訳（メタデータ） (2023-07-05T20:16:20Z)
Depression detection in social media posts using affective and social norm features [84.12658971655253]
ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。提案された機能を含めると、両方の設定で最先端の結果が得られます。
論文参考訳（メタデータ） (2023-03-24T21:26:27Z)
Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文参考訳（メタデータ） (2023-03-14T16:11:47Z)
Improved two-stage hate speech classification for twitter based on Deep Neural Networks [0.0]
ヘイトスピーチ(Hate speech)は、虐待的な言葉の使用を含む、オンラインハラスメントの一種である。この研究で提案するモデルは、LSTMニューラルネットワークアーキテクチャに基づく既存のアプローチの拡張である。本研究は,16kツイートの公開コーパスで評価された2段階目の提案手法の性能比較を含む。
論文参考訳（メタデータ） (2022-06-08T20:57:41Z)
Anti-Asian Hate Speech Detection via Data Augmented Semantic Relation Inference [4.885207279350052]
本稿では,自然言語推論フレームワークにおけるヘイトスピーチ検出を強化するために,感情ハッシュタグを活用する新しい手法を提案する。我々は,(1)オンライン投稿と感情ハッシュタグ間の意味的関係推論,(2)これらの投稿に対する感情分類の2つのタスクを同時に実行する新しいフレームワークSRICを設計する。
論文参考訳（メタデータ） (2022-04-14T15:03:35Z)
Addressing the Challenges of Cross-Lingual Hate Speech Detection [115.1352779982269]
本稿では,低リソース言語におけるヘイトスピーチ検出を支援するために,言語間移動学習に着目した。言語間単語の埋め込みを利用して、ソース言語上でニューラルネットワークシステムをトレーニングし、ターゲット言語に適用します。本研究では,ヘイトスピーチデータセットのラベル不均衡の問題について検討する。なぜなら,ヘイトサンプルと比較して非ヘイトサンプルの比率が高いことがモデル性能の低下につながることが多いからだ。
論文参考訳（メタデータ） (2022-01-15T20:48:14Z)
AES Systems Are Both Overstable And Oversensitive: Explaining Why And Proposing Defenses [66.49753193098356]
スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
論文参考訳（メタデータ） (2021-09-24T03:49:38Z)
Multi-task self-supervised learning for Robust Speech Recognition [75.11748484288229]
本稿では,雑音および残響環境下での頑健な音声認識のためのPASE+を提案する。我々は、様々なランダムな乱れで入力信号を汚染するオンライン音声歪みモジュールを用いる。次に,再帰型ネットワークと畳み込み型ネットワークを効率よく組み合わせて,短時間および長期の音声力学をよりよく学習する改良型エンコーダを提案する。
論文参考訳（メタデータ） (2020-01-25T00:24:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。