Fugu-MT 論文翻訳(概要): mdok-style at SemEval-2026 Task 10: Finetuning LLMs for Conspiracy Detection

論文の概要: mdok-style at SemEval-2026 Task 10: Finetuning LLMs for Conspiracy Detection

arxiv url: http://arxiv.org/abs/2605.02712v1
Date: Mon, 04 May 2026 15:17:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.368045
Title: mdok-style at SemEval-2026 Task 10: Finetuning LLMs for Conspiracy Detection
Title（参考訳）: mdok-style at SemEval-2026 Task 10: Finetuning LLMs for Conspiracy Detection
Authors: Dominik Macko,
Abstract要約: SemEval-2026 Task 10は陰謀検出に重点を置いている。 Redditのコメントが陰謀の信念を表現しているかどうかを検出することが目的だ。提案したmdokスタイルのシステムでは、データ拡張と自己学習を利用して、Qwen3-32Bモデルをバイナリテキスト分類タスクに微調整する。
参考スコア（独自算出の注目度）: 3.562613318511706
License: http://creativecommons.org/licenses/by/4.0/
Abstract: SemEval-2026 Task 10 is focused on conspiracy detection. Specifically, the goal is to detect whether a Reddit comment expresses a conspiracy belief. Our submitted mdok-style system utilizes data augmentation and self-training (to cope with a rather small amount of training data) to finetune the Qwen3-32B model for a binary text-classification task. The submitted system is very competitive, ranking in the 85th percentile (8th out of 52 submissions). The results shown that our approach, which originated in machine-generated text detection, can be used for conspiracy detection as well.
Abstract（参考訳）: SemEval-2026 Task 10は陰謀検出に重点を置いている。具体的には、Redditのコメントが陰謀の信念を表しているかどうかを検出することが目的だ。提案したmdokスタイルのシステムでは,データ拡張と自己学習(比較的少量のトレーニングデータに対処する)を利用して,Qwen3-32Bモデルをバイナリテキスト分類タスクに精査する。提出されたシステムは非常に競争力があり、第85位(52件中8件)にランクインしている。その結果,本手法は,機械によるテキスト検出を起源とするものであり,共謀検出にも有効であることがわかった。

関連論文リスト

ConspirED: A Dataset for Cognitive Traits of Conspiracy Theories and Large Language Model Safety [87.90209836101353]
コンスピレーション(Conspired)は、一般的な認知特性に注釈を付けた最初の陰謀的内容のデータセットである。我々は,比較的特徴を識別し,テキスト抽出において支配的特徴を決定する計算モデルを開発した。我々は,大規模言語/推論モデル (LLM/LRM) を補間入力に対して頑健性を評価する。
論文参考訳（メタデータ） (2025-08-28T06:39:25Z)
Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
論文参考訳（メタデータ） (2023-10-08T10:08:21Z)
UPB @ ACTI: Detecting Conspiracies using fine tuned Sentence Transformers [2.0046675283732887]
我々は、ACTI @ EVALA 2023共有タスクによって提案された陰謀論の検出に対処する。提案手法は,F1スコアが85.71%,F1スコアが91.23%,F1スコアが他の競合システムを上回った。
論文参考訳（メタデータ） (2023-09-28T09:17:20Z)
The Anatomy of Conspirators: Unveiling Traits using a Comprehensive Twitter Dataset [0.0]
本稿では,2022年を通して共謀活動に従事しているアカウントを包含するTwitterデータセットを構築するための新しい手法を提案する。この包括的な収集作業により、合計15万のアカウントと3700万のツイートがタイムラインから抽出された。トピック,プロファイル,行動特性の3次元にわたる2つのグループの比較分析を行った。
論文参考訳（メタデータ） (2023-08-29T09:35:23Z)
MarsEclipse at SemEval-2023 Task 3: Multi-Lingual and Multi-Label Framing Detection with Contrastive Learning [21.616089539381996]
本稿では,SemEval-2023 Task 3 Subtask 2 on Framing Detectionについて述べる。我々は,多言語環境下での大規模事前学習言語モデルの微調整に,マルチラベルのコントラスト損失を用いた。本システムは,6言語のうち5言語について,公式テストセットと共有タスクリーダーボードで第1位にランクインした。
論文参考訳（メタデータ） (2023-04-20T18:42:23Z)
Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文参考訳（メタデータ） (2023-03-14T16:11:47Z)
Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal Misinformation [83.2079454464572]
本稿では,DARPAセマンティック・フォレスティクス(SemaFor)プログラムにおける画像テキスト不整合検出へのアプローチについて述べる。 Twitter-COMMsは大規模マルチモーダルデータセットで、884万のツイートが気候変動、新型コロナウイルス、軍用車両のトピックに関連する。我々は、最先端のCLIPモデルに基づいて、自動生成されたランダムとハードのネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガ
論文参考訳（メタデータ） (2021-12-16T03:37:20Z)
Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
論文参考訳（メタデータ） (2021-09-12T19:33:34Z)
Generative Conversational Networks [67.13144697969501]
本稿では,対話エージェントが独自のラベル付き学習データを生成することを学習する,生成会話ネットワーク(Generative Conversational Networks)というフレームワークを提案する。そこで本研究では,シードデータから学習したベースラインモデルに対して,意図検出が平均35%,スロットタグが平均21%向上したことを示す。
論文参考訳（メタデータ） (2021-06-15T23:19:37Z)
UTMN at SemEval-2020 Task 11: A Kitchen Solution to Automatic Propaganda Detection [1.7205106391379026]
本稿では,SemEval-2020 Task 11におけるプロパガンダ検出の高速解について述べる。機能毎のベクトル化とシンプルなロジスティック回帰分類器を使用して、データに関するさまざまな仮説をすばやくテストします。
論文参考訳（メタデータ） (2020-08-22T16:31:01Z)

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。