Fugu-MT 論文翻訳(概要): A Federated Approach for Hate Speech Detection

論文の概要: A Federated Approach for Hate Speech Detection

arxiv url: http://arxiv.org/abs/2302.09243v1
Date: Sat, 18 Feb 2023 06:08:04 GMT
ステータス: 処理完了
システム内更新日: 2023-02-21 19:41:55.320905
Title: A Federated Approach for Hate Speech Detection
Title（参考訳）: ヘイトスピーチ検出のためのフェデレーションアプローチ
Authors: Jay Gala, Deep Gandhi, Jash Mehta, Zeerak Talat
Abstract要約: タスクの繊細な性質にもかかわらず、ヘイトスピーチ検出におけるプライバシーの保護は未調査のままである。研究の大部分は、データ漏洩のリスクを負うマシンラーニングインフラストラクチャの集中化に重点を置いている。本稿では,F1スコアで最大6.81%の改善を達成しつつ,フェデレートされた機械学習を使用することで,ヘイトスピーチ検出に固有の懸念に対処できることを示す。
参考スコア（独自算出の注目度）: 2.2499166814992435
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Hate speech detection has been the subject of high research attention, due to the scale of content created on social media. In spite of the attention and the sensitive nature of the task, privacy preservation in hate speech detection has remained under-studied. The majority of research has focused on centralised machine learning infrastructures which risk leaking data. In this paper, we show that using federated machine learning can help address privacy the concerns that are inherent to hate speech detection while obtaining up to 6.81% improvement in terms of F1-score.
Abstract（参考訳）: ヘイトスピーチ検出は、ソーシャルメディア上で作成されたコンテンツの規模が原因で、研究の注目を集めている。注意とタスクの敏感さにもかかわらず、ヘイトスピーチ検出におけるプライバシー保護は未調査のままである。研究の大部分は、データ漏洩のリスクを負うマシンラーニングインフラストラクチャの集中化に重点を置いている。本稿では,F1スコアで最大6.81%の改善を達成しつつ,フェデレートされた機械学習を使用することで,ヘイトスピーチ検出に固有の懸念に対処できることを示す。

関連論文リスト

Prosody-Driven Privacy-Preserving Dementia Detection [3.9530780161144667]
本研究の目的は,認知症検出のための診断ユーティリティを保ちつつ,埋め込みを匿名化することである。本稿では,認知症に関連する韻律的特徴を話者埋め込みから切り離すために,ドメイン知識を活用した新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-07-03T19:34:47Z)
CoSyn: Detecting Implicit Hate Speech in Online Conversations Using a Context Synergized Hyperbolic Network [52.85130555886915]
CoSynは、オンライン会話における暗黙のヘイトスピーチを検出するために、ユーザと会話のコンテキストを明示的に組み込んだ、コンテキスト中心のニューラルネットワークである。我々は、CoSynが、1.24%から57.8%の範囲で絶対的に改善された暗黙のヘイトスピーチを検出することで、我々のベースラインを全て上回っていることを示す。
論文参考訳（メタデータ） (2023-03-02T17:30:43Z)
A Review of Challenges in Machine Learning based Automated Hate Speech Detection [0.966840768820136]
我々は、ヘイトスピーチ識別のための機械学習やディープラーニングベースのソリューションが直面する課題に焦点を当てている。トップレベルでは、データレベル、モデルレベル、人間レベルの課題を区別します。この調査は、ヘイトスピーチ検出の分野で、研究者がより効率的にソリューションを設計するのに役立つだろう。
論文参考訳（メタデータ） (2022-09-12T14:56:14Z)
Differentially Private Speaker Anonymization [44.90119821614047]
実世界の発話を共有することが、音声ベースのサービスのトレーニングと展開の鍵となる。話者匿名化は、言語的および韻律的属性をそのまま残しながら、発話から話者情報を除去することを目的としている。言語的属性と韻律的属性は依然として話者情報を含んでいる。
論文参考訳（メタデータ） (2022-02-23T23:20:30Z)
Deep Learning for Hate Speech Detection: A Comparative Study [54.42226495344908]
ここでは, ディープ・ヘイト・音声検出法と浅いヘイト・音声検出法を大規模に比較した。私たちの目標は、この地域の進歩を照らし、現在の最先端の強みと弱点を特定することです。そこで我々は,ヘイトスピーチ検出の実践的利用に関するガイダンスの提供,最先端の定量化,今後の研究方向の特定を目的としている。
論文参考訳（メタデータ） (2022-02-19T03:48:20Z)
Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
論文参考訳（メタデータ） (2022-01-14T17:09:22Z)
Hate Speech Detection in Clubhouse [6.942237543984334]
Google Perspective Scoresを用いて,収集したインスタンスを統計的視点から分析する。我々の実験では、パースペクティブスコアは、高レベルのテキスト機能として、WordsとWord2Vecのバグよりも優れています。
論文参考訳（メタデータ） (2021-06-24T11:00:19Z)
AngryBERT: Joint Learning Target and Emotion for Hate Speech Detection [5.649040805759824]
本論文では,感情分類によるヘイトスピーチ検出と,二次的関連タスクとしてのターゲット同定を共同学習するマルチタスク学習型モデルであるAngryBERTを提案する。実験の結果,AngryBERTは最先端のシングルタスク学習やマルチタスク学習のベースラインよりも優れていた。
論文参考訳（メタデータ） (2021-03-14T16:17:26Z)
DeepHate: Hate Speech Detection via Multi-Faceted Text Representations [8.192671048046687]
DeepHateは、単語埋め込み、感情、トピック情報などの多面的なテキスト表現を組み合わせた、新しいディープラーニングモデルです。大規模な実験を行い、3つの大規模公開現実世界のデータセットでDeepHateを評価します。
論文参考訳（メタデータ） (2021-03-14T16:11:30Z)
UniSpeech: Unified Speech Representation Learning with Labeled and Unlabeled Data [54.733889961024445]
ラベル付きデータとラベル付きデータの両方を用いて音声表現を学習するためのUniSpeechという統合事前学習手法を提案する。公立CommonVoiceコーパス上での言語間表現学習におけるUniSpeechの有効性を評価する。
論文参考訳（メタデータ） (2021-01-19T12:53:43Z)
Speaker De-identification System using Autoencoders and Adversarial Training [58.720142291102135]
本稿では,対人訓練とオートエンコーダに基づく話者識別システムを提案する。実験結果から, 対向学習とオートエンコーダを組み合わせることで, 話者検証システムの誤り率が同等になることがわかった。
論文参考訳（メタデータ） (2020-11-09T19:22:05Z)

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。