Fugu-MT 論文翻訳(概要): Enhancing Language Models for Robust Greenwashing Detection

論文の概要: Enhancing Language Models for Robust Greenwashing Detection

arxiv url: http://arxiv.org/abs/2601.21722v1
Date: Thu, 29 Jan 2026 13:46:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-30 16:22:49.864382
Title: Enhancing Language Models for Robust Greenwashing Detection
Title（参考訳）: ロバストグリーンウォッシング検出のための言語モデルの拡張
Authors: Neil Heinrich Braun, Keane Ong, Rui Mao, Erik Cambria, Gianmarco Mengaldo,
Abstract要約: グリーンウォッシングと曖昧な主張は持続可能性レポートを損なう。本稿では,相対的学習と順序付けの目的を組み合わせ,潜在空間を構成するパラメータ係数フレームワークを提案する。
参考スコア（独自算出の注目度）: 36.1214446480006
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sustainability reports are critical for ESG assessment, yet greenwashing and vague claims often undermine their reliability. Existing NLP models lack robustness to these practices, typically relying on surface-level patterns that generalize poorly. We propose a parameter-efficient framework that structures LLM latent spaces by combining contrastive learning with an ordinal ranking objective to capture graded distinctions between concrete actions and ambiguous claims. Our approach incorporates gated feature modulation to filter disclosure noise and utilizes MetaGradNorm to stabilize multi-objective optimization. Experiments in cross-category settings demonstrate superior robustness over standard baselines while revealing a trade-off between representational rigidity and generalization.
Abstract（参考訳）: 持続可能性の報告はESG評価にとって重要であるが、グリーンウォッシングと曖昧な主張はしばしばその信頼性を損なう。既存のNLPモデルはこれらのプラクティスに頑丈さを欠いている。コントラスト学習と順序付け目標を組み合わせ,LLMラテント空間を構成するパラメータ効率のよいフレームワークを提案し,具体的な行動と曖昧なクレームの次々に区別する。提案手法では,多目的最適化の安定化にMetaGradNormを用いる。クロスカテゴリ設定の実験は、表現的剛性と一般化の間のトレードオフを明らかにしながら、標準ベースラインよりも優れたロバスト性を示す。

関連論文リスト

MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文参考訳（メタデータ） (2026-01-12T05:02:48Z)
Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
論文参考訳（メタデータ） (2025-12-19T12:56:17Z)
Token-Level Marginalization for Multi-Label LLM Classifiers [0.0]
3つの新しいトークンレベルの確率推定手法を提案する。目的は、モデルの解釈可能性と精度を高め、異なる命令チューニングモデル間でこのフレームワークの一般化性を評価することである。
論文参考訳（メタデータ） (2025-11-27T10:43:26Z)
RoParQ: Paraphrase-Aware Alignment of Large Language Models Towards Robustness to Paraphrased Questions [0.0]
大規模言語モデル(LLM)は、パラフレーズ付き質問に答えるときに矛盾する振る舞いを示すことが多い。クローズドブック多重選択QAにおけるクロスパラフレーズ一貫性を評価するベンチマークであるRoParQを紹介する。また、モデルのロバスト性を定量化する新しい評価指標XParaConを提案する。
論文参考訳（メタデータ） (2025-11-26T16:40:53Z)
Harnessing Consistency for Robust Test-Time LLM Ensemble [88.55393815158608]
CoREは、堅牢なLLMアンサンブルにモデル一貫性を利用するプラグイン・アンド・プレイ技術である。トークンレベルの一貫性は、ダウンウェイト不確実なトークンにローパスフィルタを適用することで、きめ細かい不一致を捕捉する。モデルレベルの一貫性は、自己自信の高いモデル出力を促進することで、グローバルな合意をモデル化する。
論文参考訳（メタデータ） (2025-10-12T04:18:45Z)
Contrastive Weak-to-strong Generalization [50.5986177336082]
本稿では,弱強一般化を推し進めるため,Contrastive Weak-to-Strong Generalization (ConG)を提案する。このフレームワークは、より高品質なサンプルを生成するために、事前調整後の弱いモデル間の対照的な復号を用いる。
論文参考訳（メタデータ） (2025-10-09T07:37:23Z)
When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
論文参考訳（メタデータ） (2025-08-15T10:32:50Z)
Statistical Runtime Verification for LLMs via Robustness Estimation [0.0]
ランタイムクリティカルなアプリケーションにLLM(Large Language Models)を安全にデプロイするためには、逆の堅牢性検証が不可欠である。ブラックボックス配置環境におけるLCMのオンライン実行時ロバスト性モニタとしての可能性を評価するために,RoMA統計検証フレームワークを適応・拡張するケーススタディを提案する。
論文参考訳（メタデータ） (2025-04-24T16:36:19Z)
Unified Enhancement of the Generalization and Robustness of Language Models via Bi-Stage Optimization [2.502393972789905]
本稿では,LMの一般化とロバスト性の両方を均一に向上する二段階最適化フレームワークを提案する。提案手法は,従来の手法と比較して,LMの一般化とロバスト性を大幅に向上させることを示す。
論文参考訳（メタデータ） (2025-03-19T13:50:36Z)
Enhancing NLP Robustness and Generalization through LLM-Generated Contrast Sets: A Scalable Framework for Systematic Evaluation and Adversarial Training [0.0]
モデルロバスト性を評価し改善するために、3,000サンプルのコントラストセットを作成します。これらのコントラストの微調整は、体系的に摂動された例の性能を高め、標準テスト精度を維持し、新しい摂動の一般化を緩やかに改善した。
論文参考訳（メタデータ） (2025-03-09T14:52:53Z)

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。