論文の概要: An Adaptive Supervised Contrastive Learning Framework for Implicit Sexism Detection in Digital Social Networks

• arxiv url: http://arxiv.org/abs/2507.05271v1
• Date: Thu, 03 Jul 2025 14:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.171711
• Title: An Adaptive Supervised Contrastive Learning Framework for Implicit Sexism Detection in Digital Social Networks
• Title（参考訳）: デジタルソーシャルネットワークにおける性行為検出のための適応的教師付きコントラスト学習フレームワーク
• Authors: Mohammad Zia Ur Rehman, Aditya Shah, Nagendra Kumar,
• Abstract要約: アダプティブ・スーパービジョン・コントラスト(Adaptive Supervised Contrastive lEarning)による性差別検出フレームワーク(ASCEND)について紹介する。 本手法の重要な革新は,しきい値に基づくコントラスト学習の導入である。 EXIST2021とMLSCデータセットの評価は、ASCENDが既存のメソッドよりも大幅に優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.728258471592763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The global reach of social media has amplified the spread of hateful content, including implicit sexism, which is often overlooked by conventional detection methods. In this work, we introduce an Adaptive Supervised Contrastive lEarning framework for implicit sexism detectioN (ASCEND). A key innovation of our method is the incorporation of threshold-based contrastive learning: by computing cosine similarities between embeddings, we selectively treat only those sample pairs as positive if their similarity exceeds a learnable threshold. This mechanism refines the embedding space by robustly pulling together representations of semantically similar texts while pushing apart dissimilar ones, thus reducing false positives and negatives. The final classification is achieved by jointly optimizing a contrastive loss with a cross-entropy loss. Textual features are enhanced through a word-level attention module. Additionally, we employ sentiment, emotion, and toxicity features. Evaluations on the EXIST2021 and MLSC datasets demonstrate that ASCEND significantly outperforms existing methods, with average Macro F1 improvements of 9.86%, 29.63%, and 32.51% across multiple tasks, highlighting its efficacy in capturing the subtle cues of implicit sexist language.
• Abstract（参考訳）: ソーシャルメディアのグローバルなリーチは、従来の検出方法では見過ごされない暗黙の性差別を含むヘイトフルコンテンツの拡散を増幅している。 本稿では,性差別検出のための適応的監視コントラストフレームワークについて紹介する。 埋め込み間のコサイン類似性を計算することにより、それらの類似性が学習可能なしきい値を超えた場合、サンプルペアのみを正として選択的に扱う。 このメカニズムは、意味論的に類似したテキストの表現をしっかりと引き寄せ、異種テキストを分割することで埋め込み空間を洗練し、偽陽性と否定を減少させる。 最終分類は、コントラスト損失とクロスエントロピー損失を共同最適化することで達成される。 テキスト機能はワードレベルのアテンションモジュールによって強化される。 さらに、感情、感情、毒性といった特徴も採用しています。 EXIST2021とMLSCデータセットの評価によると、ASCENDは既存の手法よりも優れており、平均的なマクロF1の改善は9.86%、29.63%、および32.51%の複数のタスクで行われており、暗黙の性差別的な言語の微妙な手がかりを捉える効果が強調されている。

関連論文リスト

• Explaining Matters: Leveraging Definitions and Semantic Expansion for Sexism Detection [9.477601265462694]
  本稿では、性差別検出のための2つのプロンプトベースのデータ拡張手法を提案する。 また,複数の言語モデルから補完的な視点を集約することで,予測関係を解消するアンサンブル戦略を導入する。 EDOSデータセットに対する実験的な評価は、すべてのタスクにおける最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-06T16:58:12Z)
• CL-ISR: A Contrastive Learning and Implicit Stance Reasoning Framework for Misleading Text Detection on Social Media [0.5999777817331317]
  本稿では,ソーシャルメディア上の誤解を招くテキストの検出精度を向上させるために,CL-ISR(Contrastive Learning and Implicit Stance Reasoning)を提案する。 まず,比較学習アルゴリズムを用いて,真偽と誤解を招くテキスト間の意味的差異の学習能力を向上させる。 第2に、テキストにおける潜在的姿勢傾向とその関連トピックとの関係を探るため、暗黙的姿勢推論モジュールを導入する。
  論文  参考訳（メタデータ） (2025-06-05T14:52:28Z)
• EMO-Debias: Benchmarking Gender Debiasing Techniques in Multi-Label Speech Emotion Recognition [49.27067541740956]
  EMO-Debiasは、マルチラベルSERに適用された13のデバイアス手法の大規模比較である。 本研究は, 事前処理, 正規化, 逆学習, バイアス学習者, 分散的ロバストな最適化といった手法を含む。 本分析は公平性と正確性の間のトレードオフを定量化し,どのアプローチが一貫して性差を減少させるのかを同定する。
  論文  参考訳（メタデータ） (2025-06-05T05:48:31Z)
• Emotion-aware Dual Cross-Attentive Neural Network with Label Fusion for Stance Detection in Misinformative Social Media Content [0.37865171120254354]
  本稿では,textbfLabel-fused dual cross-textbfAttentive textbfEmotion-aware Neural textbfNetwork による textbfStance textbfPrediction の新しい手法を提案する。 提案手法は,2つの相互関連機構と階層型アテンションネットワークを用いて,相互関係と相互関係を捕捉する。
  論文  参考訳（メタデータ） (2025-05-27T15:38:50Z)
• Estimating Commonsense Plausibility through Semantic Shifts [66.06254418551737]
  セマンティックシフトを測定することでコモンセンスの妥当性を定量化する新しい識別フレームワークであるComPaSSを提案する。 2種類の細粒度コモンセンス可視性評価タスクの評価は,ComPaSSが一貫してベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-19T06:31:06Z)
• Identical and Fraternal Twins: Fine-Grained Semantic Contrastive Learning of Sentence Representations [6.265789210037749]
  コントラスト学習フレームワークのIdentical Twins と Fraternal Twins を導入する。 また,提案したツインズ・ロスの有効性を証明するために,概念実証実験と対照的な目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-07-20T15:02:42Z)
• Conditional Supervised Contrastive Learning for Fair Text Classification [59.813422435604025]
  対照的な学習を通してテキスト分類のための等化オッズとして知られる公平性の概念を満たす学習公正表現について研究する。 具体的には、まず、公正性制約のある学習表現と条件付き教師付きコントラスト目的との間の関係を理論的に分析する。
  論文  参考訳（メタデータ） (2022-05-23T17:38:30Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Incremental False Negative Detection for Contrastive Learning [95.68120675114878]
  本稿では,自己指導型コントラスト学習のための新たな偽陰性検出手法を提案する。 対照的な学習では、検出された偽陰性を明示的に除去する2つの戦略について議論する。 提案手法は,制限された計算内での複数のベンチマークにおいて,他の自己教師付きコントラスト学習フレームワークよりも優れる。
  論文  参考訳（メタデータ） (2021-06-07T15:29:14Z)

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。