Fugu-MT 論文翻訳(概要): SG-UniBuc-NLP at SemEval-2026 Task 6: Multi-Head RoBERTa with Chunking for Long-Context Evasion Detection

論文の概要: SG-UniBuc-NLP at SemEval-2026 Task 6: Multi-Head RoBERTa with Chunking for Long-Context Evasion Detection

arxiv url: http://arxiv.org/abs/2604.26375v1
Date: Wed, 29 Apr 2026 07:37:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-30 15:59:36.295841
Title: SG-UniBuc-NLP at SemEval-2026 Task 6: Multi-Head RoBERTa with Chunking for Long-Context Evasion Detection
Title（参考訳）: SG-UniBuc-NLP at SemEval-2026 Task 6: Multi-Head RoBERTa with Chunking for Long-Context Evasion Detection
Abstract要約: 我々のシステムは、粗粒度(3-way)と細粒度(9-way)の回避戦略(9-way)により、英語の政治インタビュー応答を分類する。共有のRoBERTa-largeエンコーダは、マルチタスクの目的を通じて、共同で訓練された2つのタスク固有のヘッドを提供する。本システムでは,Subtask 1では0.80,Subtask 2では0.51,Macro-F1は2つのサブタスクで11位となる。
参考スコア（独自算出の注目度）: 0.6445605125467574
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe our system for SemEval-2026 Task 6 (CLARITY: Unmasking Political Question Evasions), which classifies English political interview responses by coarse-grained clarity (3-way) and fine-grained evasion strategy (9-way). Since responses frequently exceed the 512-token limit of standard Transformer encoders, we apply an overlapping sliding-window chunking strategy with element-wise Max-Pooling aggregation over chunk representations. A shared RoBERTa-large encoder supplies two task-specific heads trained jointly via a multi-task objective, with inference-time ensembling over 7-fold stratified cross-validation. Our system achieves a Macro-F1 of 0.80 on Subtask 1 and 0.51 on Subtask 2, ranking 11th in both subtasks.
Abstract（参考訳）: 本報告では,セムエバル2026タスク6(CLARITY: Unmasking Political Question Evasions)について,粗粒度(3-way)と細粒度(9-way)の回避戦略(9-way)で分類した。応答は標準トランスフォーマーエンコーダの 512-token 限界を超えることが多いため,チャンク表現上の要素ワイド最大ポリシングアグリゲーションを用いたオーバーラップ・スライディング・ウィンドウ・チャンク戦略を適用する。共有されたRoBERTa-largeエンコーダは、マルチタスクの目的を通じて共同で訓練された2つのタスク固有のヘッドを提供する。本システムでは,Subtask 1では0.80,Subtask 2では0.51,Macro-F1は2つのサブタスクで11位となる。

関連論文リスト

pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning [5.0147105079462415]
大規模言語モデル(LLM)の著しい進歩にもかかわらず、テキストからのオントロジー学習は依然として困難である。 LLMs4OL 2026 Challengeでは、End-to-End Flagship Task (Task A)とOntology Reuse Extension Task (Task B)の両方に対処する。本システムでは、Qwen2.5-14B-InstructとAll-MiniLM-L6-v2を用いてデモ検索を行い、タスクAの上位5例とタスクBの上位2例を選択した。タスクBの場合、生成されたトリプルは決定論的語彙制約のあるフィルタリングを実行し、少なくとも1つのエンドポイントがサンプルに属する場合にトリプルを保持する。
論文参考訳（メタデータ） (2026-08-27T13:16:55Z)
UCSC NLP at SemEval-2026 Task 10: Boundary-Aware Span Extraction and RoBERTa Classification for Conspiracy Detection [0.06808132439548074]
We formulate the task as multi-label span classification over enumerated candidate spans, using IoU >= 0.95 positive labeling, hard- negative sample, and containment-based non-maximum suppress (NMS)。マーカー抽出では,IoU >= 0.95 の正のラベル付け,強陰性サンプリング,境界対応スパン表現を含む包括的非最大抑圧(NMS)を用いて,列挙された候補スパンに対するマルチラベルスパン分類としてタスクを定式化する。分析によると、実体的役割(アクター、ヴィクティム)は、抽象的役割(アクション、エフェクト、エビデンス)が強固に検出される。
論文参考訳（メタデータ） (2026-07-06T23:15:52Z)
ttda704 at SemEval-2026 Task 6: Structured Chain-of-Thought Prompting for Political Evasion Detection [0.006227637802384129]
本稿では,米国大統領インタビューから抽出した英語質問応答対における政治回避戦略の分類に対処するSemEval-2026タスク6のシステムについて述べる。
論文参考訳（メタデータ） (2026-06-14T12:09:23Z)
Sifei at SemEval-2026 Task 8: Hybrid Retrieval and Query Rewriting for Multi-Turn RAG [2.9721401411878254]
ユーザ意図の進化,会話ノイズ,厳密なコンテキスト制限により,マルチターン検索拡張生成(RAG)は困難である。本研究では,SemEval-2026タスク8のトレーニング不要なハイブリッド検索パイプラインを提案する。
論文参考訳（メタデータ） (2026-06-05T07:28:01Z)
Multilingual Long-Form Speech Instruction Following: KIT's Submission to IWSLT 2026 [57.48615919717867]
我々は、制約のない環境で、KITのLong and Short Instruction followingのトラックを提示する。提案手法では,短文コーパスを長文学習データに変換する汎用データ拡張パイプラインを組み合わせる。確率に基づく再ランク付けは、ASRには非常に有効であるが、意味的タスクを体系的に劣化させることを示す。
論文参考訳（メタデータ） (2026-06-03T11:13:37Z)
Multi-Task Optimization over Networks of Tasks [1.7499351967216341]
タスク空間をグラフとしてモデル化するマルチタスク最適化アルゴリズムであるMONETを紹介する。ソーシャルラーニングは、クロスオーバーを通じて近隣ノードから候補を生成し、個々のラーニングにより、突然変異によってノード自身のソリューションを独立して洗練する。既存のMAP-Elitesベースのベースラインが4つのドメインすべてにまたがって,MONETが一致しているか,あるいは上回っていることを示す。
論文参考訳（メタデータ） (2026-04-23T18:18:20Z)
Duluth at SemEval-2026 Task 6: DeBERTa with LLM-Augmented Data for Unmasking Political Question Evasions [0.0]
タスク1(明度レベル分類)とタスク2(回避レベル分類)に対処する。本システムは,DeBERTa-V3ベースをベースとして,焦点損失,レイヤワイド学習速度の減衰,Duluth談話の特徴を拡張した。学習データにおけるクラス不均衡に対処するため,Gemini 3 と Claude Sonnet 4.5 の合成例を用いてマイノリティクラスを拡張した。
論文参考訳（メタデータ） (2026-04-22T04:18:14Z)
MTLSI-Net: A Linear Semantic Interaction Network for Parameter-Efficient Multi-Task Dense Prediction [50.992213877904305]
MTLSI-Netは、パラメータを減らした線形複雑度で包括的なクロスタスク相互作用をキャプチャする。 NYUDv2とPASCAL-Contextの実験はMTLSI-Netが最先端の性能を達成することを示した。
論文参考訳（メタデータ） (2026-04-02T13:02:48Z)
AILS-NTUA at SemEval-2026 Task 8: Evaluating Multi-Turn RAG Conversations [14.20669481486209]
我々はSemEval-2026タスク8(MTRAGEval)のためのAILS-NTUAシステムを提案する。マルチターン検索拡張生成の3つのサブタスク、すなわち、経路検索(A)、基準接地応答生成(B)、エンドツーエンドRAG(C)のすべてに対処する。統一アーキテクチャは、(i)クエリ-ダイバーシティ-オーバー・レトリバー-ダイバーシティ戦略と(ii)マルチステージ生成パイプラインという2つの原則に基づいて構築されています。
論文参考訳（メタデータ） (2026-03-11T08:28:31Z)
MM-ACT: Learn from Multimodal Parallel Generation to Act [80.9182259389658]
MM-ACTは、テキスト、画像、アクションを共有トークン空間に統合し、3つのモード全てで生成する。コンテキスト共有型マルチモーダル学習は、共有コンテキストから3つのモードすべての生成を監督する。提案手法は,実フランカの3つのタスクで96.3%,実フランカの3つのタスクで72.0%,RoboTwin2.0の8つの2つのタスクで52.38%を達成している。
論文参考訳（メタデータ） (2025-11-30T16:46:35Z)
AgentSynth: Scalable Task Generation for Generalist Computer-Use Agents [60.881609323604685]
Agent Synthはスケーラブルで費用効率のよいパイプラインで、高品質なタスクとトラジェクトリデータセットを自動的に合成する。我々のパイプラインは1軌道あたりの平均コストが0.60ドルで、人間のアノテーションよりも桁違いに安い。
論文参考訳（メタデータ） (2025-06-17T05:46:52Z)
Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
論文参考訳（メタデータ） (2024-05-13T14:54:37Z)
Task Indicating Transformer for Task-conditional Dense Predictions [16.92067246179703]
この課題に対処するために,タスク表示変換(TIT)と呼ばれる新しいタスク条件フレームワークを導入する。本手法では,行列分解によるタスク指示行列を組み込んだMix Task Adapterモジュールをトランスフォーマーブロック内に設計する。また,タスク表示ベクトルとゲーティング機構を利用するタスクゲートデコーダモジュールを提案する。
論文参考訳（メタデータ） (2024-03-01T07:06:57Z)
Robust Subtask Learning for Compositional Generalization [20.54144051436337]
我々は、どんなタスクでも実行できるように、サブタスクポリシーをトレーニングする問題に焦点を合わせます。我々は、平均的なケースのパフォーマンスとは対照的に、すべてのタスクで最悪のケースのパフォーマンスを最大化することを目指している。
論文参考訳（メタデータ） (2023-02-06T18:19:25Z)
Improving Cross-task Generalization of Unified Table-to-text Models with Compositional Task Configurations [63.04466647849211]
メソッドは通常、タスク情報をエンコーダのプレフィックスとして単純なデータセット名でエンコードする。本稿では,エンコーダがタスク間の一般化を改善するためのプロンプトセットであるコンポジションタスク構成を提案する。これは、モデルがトレーニング中に異なるタスク間で共有知識をより良く学習できるだけでなく、新しい構成を構築することでモデルを制御できることを示している。
論文参考訳（メタデータ） (2022-12-17T02:20:14Z)

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。