Fugu-MT 論文翻訳(概要): KCLarity at SemEval-2026 Task 6: Encoder and Zero-Shot Approaches to Political Evasion Detection

論文の概要: KCLarity at SemEval-2026 Task 6: Encoder and Zero-Shot Approaches to Political Evasion Detection

arxiv url: http://arxiv.org/abs/2603.06552v1
Date: Fri, 06 Mar 2026 18:39:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-09 13:17:46.40043
Title: KCLarity at SemEval-2026 Task 6: Encoder and Zero-Shot Approaches to Political Evasion Detection
Title（参考訳）: KCLarity at SemEval-2026 Task 6: Encoder and Zero-Shot Approachs to political Evasion Detection
Abstract要約: 本稿では,KCLarityチームのCLARITYへの参加について述べる。 i) 明度ラベルを直接予測し, (ii) 回避ラベルを予測し, タスク分類階層を通して明度を導出する2つのモデル式について検討する。全体としては、2つの定式化は同等のパフォーマンスを得る。
参考スコア（独自算出の注目度）: 0.8594140167290097
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper describes the KCLarity team's participation in CLARITY, a shared task at SemEval 2026 on classifying ambiguity and evasion techniques in political discourse. We investigate two modelling formulations: (i) directly predicting the clarity label, and (ii) predicting the evasion label and deriving clarity through the task taxonomy hierarchy. We further explore several auxiliary training variants and evaluate decoder-only models in a zero-shot setting under the evasion-first formulation. Overall, the two formulations yield comparable performance. Among encoder-based models, RoBERTa-large achieves the strongest results on the public test set, while zero-shot GPT-5.2 generalises better on the hidden evaluation set.
Abstract（参考訳）: 本稿では,KCLarityチームのCLARITYへの参加について述べる。モデル化の2つの定式化について検討する。 (i)明快なラベルを直接予測し、二タスク分類階層を通して回避ラベルを予測し、明確さを導出すること。さらに,回避ファーストの定式化の下で,いくつかの補助訓練変種について検討し,デコーダのみのモデルをゼロショット設定で評価する。全体としては、2つの定式化は同等のパフォーマンスを得る。エンコーダベースのモデルの中で、RoBERTa-large は公開テストセットで最強の結果を達成し、ゼロショット GPT-5.2 は隠れた評価セットをより良く一般化する。

関連論文リスト

Bridging the Generalization Gap in Adverse Weather Segmentation: A Training Recipe Perspective [9.751481477523956]
本稿では,5つの気象条件で劣化した屋外シーンのセマンティックセグメンテーションを目的とした第8回UG2ワークショップ(CVPR 2026)トラック2について述べる。私たちが観察する中心的な課題は、厳密な一般化ギャップです -- 検証セットでうまく機能するモデルは、テストセットでしばしば崩壊します。アーキテクチャの複雑さよりも、慎重に設計されたトレーニングレシピが、このギャップに対処できるかどうかを検討する。
論文参考訳（メタデータ） (2026-05-27T04:55:34Z)
CSE-UOI at SemEval-2026 Task 6: A Two-Stage Heterogeneous Ensemble with Deliberative Complexity Gating for Political Evasion Detection [3.211619859724084]
本稿では,政治インタビューにおける回答の明瞭さを,クリアリプライ,アンビバウンド,クリアノンリプライの3つのカテゴリに分類するSemEval-2026タスク6について述べる。自己整合性(SC)と重み付き投票による異種二重大言語モデル(LLM)アンサンブルと,新たなポストホック補正機構であるDeliberative Complexity Gating(DCG)を提案する。評価セットでマクロF1スコア0.85を達成し,3位を確保した。
論文参考訳（メタデータ） (2026-03-12T21:08:14Z)
Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
論文参考訳（メタデータ） (2025-12-28T18:24:19Z)
Concept Regions Matter: Benchmarking CLIP with a New Cluster-Importance Approach [20.898059440239603]
クラスタベースの概念重要度(CCI)は、新しい解釈可能性手法である。 CCIは、忠実度ベンチマークの新たな最先端を定めている。今回,18種類のCLIPの包括的評価を行った。
論文参考訳（メタデータ） (2025-11-17T05:01:24Z)
Assessing the Reliability of Large Language Models for Deductive Qualitative Coding: A Comparative Study of ChatGPT Interventions [0.0]
本研究では,構造化定性符号化における大規模言語モデル (LLM) の利用について検討する。我々は合衆国最高裁判所の判例を21の政策領域に分類した。 ChatGPTは、低支持サブクラスにおける高いF1スコアを含む、サンプル間で安定した一致を示した。
論文参考訳（メタデータ） (2025-07-18T22:16:04Z)
Variational Supervised Contrastive Learning [50.79938854370321]
本稿では,教師付きコントラスト学習を潜在クラス変数に対する変分推論として再構成した変分教師付きコントラスト学習(VarCon)を提案する。 VarConは対照的な学習フレームワークの最先端のパフォーマンスを達成し、ImageNet-1Kでは79.36%、CIFAR-100では78.29%、ResNet-50エンコーダでは78.29%に達した。
論文参考訳（メタデータ） (2025-06-09T04:19:12Z)
Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-19T16:35:45Z)
Targeting Alignment: Extracting Safety Classifiers of Aligned LLMs [6.462219916993885]
大規模言語モデル(LLM)のアライメントは、安全性などのガイドラインを強制するために使用される。しかし、アライメントは、入力を変更して安全でない出力を誘導するjailbreak攻撃に直面して失敗する。我々は,ジェイルブレイク攻撃のための新しい手法を紹介し,評価する。
論文参考訳（メタデータ） (2025-01-27T22:13:05Z)
FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification [10.911464455072391]
FACTUALは、逆行訓練と堅牢なSAR分類のためのコントラストラーニングフレームワークである。本モデルでは, 洗浄試料の99.7%, 摂動試料の89.6%の精度が得られた。
論文参考訳（メタデータ） (2024-04-04T06:20:22Z)
Investigating the Limitation of CLIP Models: The Worst-Performing Categories [53.360239882501325]
コントラスト言語-画像事前学習(CLIP)は、自然言語を視覚概念に統合する基礎モデルを提供する。通常、十分に設計されたテキストプロンプトによって、多くの領域で満足な全体的な精度が達成できると期待されている。しかし、最悪のカテゴリにおけるパフォーマンスは、全体的なパフォーマンスよりも著しく劣っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T05:37:33Z)
Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
論文参考訳（メタデータ） (2023-10-02T17:39:58Z)
Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文参考訳（メタデータ） (2023-03-27T07:46:58Z)
Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文参考訳（メタデータ） (2021-06-20T17:34:55Z)

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。