論文の概要: RAUCG: Retrieval-Augmented Unsupervised Counter Narrative Generation for Hate Speech

• arxiv url: http://arxiv.org/abs/2310.05650v1
• Date: Mon, 9 Oct 2023 12:01:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 05:10:57.661132
• Title: RAUCG: Retrieval-Augmented Unsupervised Counter Narrative Generation for Hate Speech
• Title（参考訳）: RAUCG:ヘイトスピーチのための検索型教師なしカウンターナラティブ生成
• Authors: Shuyu Jiang, Wenyi Tang, Xingshu Chen, Rui Tanga, Haizhou Wang and Wenxian Wang
• Abstract要約: カウンターナラティブ(Counter Narrative、CN)は、言論の自由を侵害することなく、オンラインヘイトスピーチ(HS)と戦うための有望なアプローチである。 現在の自動CN生成方法は、主に訓練のために専門家が認可したデータセットに依存している。 我々は、外部のカウンター知識を自動的に拡張し、それをCNにマッピングするために、Retrieval-Augmented Unsupervised Counter Narrative Generation (RAUCG)を提案する。
• 参考スコア（独自算出の注目度）: 5.88043557914512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Counter Narrative (CN) is a promising approach to combat online hate speech (HS) without infringing on freedom of speech. In recent years, there has been a growing interest in automatically generating CNs using natural language generation techniques. However, current automatic CN generation methods mainly rely on expert-authored datasets for training, which are time-consuming and labor-intensive to acquire. Furthermore, these methods cannot directly obtain and extend counter-knowledge from external statistics, facts, or examples. To address these limitations, we propose Retrieval-Augmented Unsupervised Counter Narrative Generation (RAUCG) to automatically expand external counter-knowledge and map it into CNs in an unsupervised paradigm. Specifically, we first introduce an SSF retrieval method to retrieve counter-knowledge from the multiple perspectives of stance consistency, semantic overlap rate, and fitness for HS. Then we design an energy-based decoding mechanism by quantizing knowledge injection, countering and fluency constraints into differentiable functions, to enable the model to build mappings from counter-knowledge to CNs without expert-authored CN data. Lastly, we comprehensively evaluate model performance in terms of language quality, toxicity, persuasiveness, relevance, and success rate of countering HS, etc. Experimental results show that RAUCG outperforms strong baselines on all metrics and exhibits stronger generalization capabilities, achieving significant improvements of +2.0% in relevance and +4.5% in success rate of countering metrics. Moreover, RAUCG enabled GPT2 to outperform T0 in all metrics, despite the latter being approximately eight times larger than the former. Warning: This paper may contain offensive or upsetting content!
• Abstract（参考訳）: カウンターナラティブ(CN)は、言論の自由を侵害することなく、オンラインヘイトスピーチ(HS)と戦うための有望なアプローチである。 近年,自然言語生成技術を用いたCNの自動生成への関心が高まっている。 しかし、現在のcn生成手法は、主にトレーニングのための専門家主導のデータセットに依存しており、それらは、取得に要する時間と労力がかかる。 さらに、これらの手法は、外部統計、事実、例から反知識を直接取得および拡張することはできない。 そこで,これらの制約に対処するために,外部カウンタナレッジを自動拡張し,教師なしパラダイムでcnsにマップする検索型教師なしカウンターナラティブ生成(raucg)を提案する。 具体的には,まず,hsに対するスタンス一貫性,意味的重複率,適合性といった多視点からカウンターナレッジを検索するssf検索手法を提案する。 そこで我々は,知識注入,カウンタリング,フラレンシ制約を微分可能な関数に量子化し,CNデータを専門家の許可なく,逆知識からCNへのマッピングを構築することができるエネルギーベースの復号機構を設計する。 最後に, 言語品質, 毒性, 説得性, 妥当性, HS対策の成功率などの観点から, モデル性能を総合的に評価する。 実験の結果、RAUCGは全ての指標において強いベースラインを上回り、より強力な一般化能力を示し、相関性において+2.0%、対向性において+4.5%の大幅な改善を達成している。 さらにRAUCGは、GPT2が全ての測定値でT0を上回ったが、後者は前よりも約8倍大きい。 警告: この論文には不快な内容や動揺する内容が含まれているかもしれない。

関連論文リスト

• A LLM-Based Ranking Method for the Evaluation of Automatic Counter-Narrative Generation [14.064465097974836]
  本稿では,Large Language Model (LLM) を用いた対数ナラティブ(CN)生成の評価手法を提案する。 従来の自動指標は, 人間の判断と相関が低く, 生成したCNと人間の知覚との微妙な関係を捉えることができないことを示す。
  論文  参考訳（メタデータ） (2024-06-21T15:11:33Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
  我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。 提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。 本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:05Z)
• Attentional Graph Neural Networks for Robust Massive Network Localization [20.416879207269446]
  グラフニューラルネットワーク(GNN)は、機械学習における分類タスクの顕著なツールとして登場した。 本稿では,GNNとアテンション機構を統合し,ネットワークローカライゼーションという難解な非線形回帰問題に対処する。 我々はまず,厳密な非視線(NLOS)条件下でも例外的な精度を示すグラフ畳み込みネットワーク(GCN)に基づく新しいネットワークローカライゼーション手法を提案する。
  論文  参考訳（メタデータ） (2023-11-28T15:05:13Z)
• LinGCN: Structural Linearized Graph Convolutional Network for Homomorphically Encrypted Inference [19.5669231249754]
  本稿では,乗算深度を低減し,HEに基づくGCN推論の性能を最適化するLinGCNを提案する。 注目すべきは、LinGCNはCryptoGCNと比較して14.2倍のレイテンシ向上を実現し、推論精度は75%、乗算深度は顕著に減少することである。
  論文  参考訳（メタデータ） (2023-09-25T17:56:54Z)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• CAP: Co-Adversarial Perturbation on Weights and Features for Improving Generalization of Graph Neural Networks [59.692017490560275]
  敵の訓練は、敵の攻撃に対するモデルの堅牢性を改善するために広く実証されてきた。 グラフ解析問題におけるGNNの一般化能力をどのように改善するかは、まだ不明である。 我々は、重みと特徴量の観点から共振器摂動(CAP)最適化問題を構築し、重みと特徴の損失を交互に平らにする交互対振器摂動アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-10-28T02:28:13Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Automated Graph Learning via Population Based Self-Tuning GCN [45.28411311903644]
  グラフ畳み込みネットワーク(GCN)とその変種は、幅広いタスクにうまく適用されている。 従来のGCNモデルはオーバーフィッティングとオーバースムーシングの問題に悩まされている。 DropEdgeのような最近の技術はこれらの問題を緩和し、ディープGCNの開発を可能にする。
  論文  参考訳（メタデータ） (2021-07-09T23:05:21Z)
• Time-domain Speech Enhancement with Generative Adversarial Learning [53.74228907273269]
  本稿では,TSEGAN(Time-domain Speech Enhancement Generative Adversarial Network)という新しいフレームワークを提案する。 TSEGANは、スケーリング問題を軽減するためのメトリクス評価を備えた時間領域におけるジェネレーション・アドバーサリ・ネットワーク(GAN)の拡張である。 さらに,計量ganの性能を理論的に解析するために,客観的関数マッピングに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:09:49Z)
• Spatio-Temporal Sparsification for General Robust Graph Convolution Networks [16.579675313683627]
  グラフニューラルネットワーク(GNN)は、様々なグラフ構造データへの応用の成功により、注目を集めている。 最近の研究では、敵対攻撃がGNNの機能を脅かしていることが示されている。 本稿では,GNN隠蔽ノード表現に時空間スペーサー化(ST-Sparse)を適用して,GNNに対する敵攻撃を防御することを提案する。
  論文  参考訳（メタデータ） (2021-03-23T02:03:11Z)

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。