Fugu-MT 論文翻訳(概要): Nürnberg NLP at PsyDefDetect: Multi-Axis Voter Ensembles for Psychological Defence Mechanism Classification

論文の概要: Nürnberg NLP at PsyDefDetect: Multi-Axis Voter Ensembles for Psychological Defence Mechanism Classification

arxiv url: http://arxiv.org/abs/2605.07606v1
Date: Fri, 08 May 2026 11:32:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-11 19:43:39.016757
Title: Nürnberg NLP at PsyDefDetect: Multi-Axis Voter Ensembles for Psychological Defence Mechanism Classification
Title（参考訳）: Nürnberg NLP at PsyDefDetect: Multi-Axis Voter Ensembles for Psychoological Defence Mechanism Classification (英語)
Abstract要約: PsyDefDetectでは8つの正の防衛カテゴリーが表面言語を共有しており、実用的機能だけが異なる。この知見を3つの軸にまたがる9声のアンサンブルに変換する。システムは隠れたテストセットで$Ftest=.420$に達し、21の登録チームの中で第1位となる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detecting levels of psychological defence mechanisms in supportive conversations is inherently ambiguous. In the PsyDefDetect shared task at BioNLP 2026 the eight positive defence categories share surface language and differ only in pragmatic function and trained raters reach only moderate inter-annotator agreement. On such a task the decisive lever is not a stronger single model but error independence, since any single representation will waver on the overlapping defence boundaries. We translate this insight into a 9-voter ensemble spanning three orthogonal axes: class granularity (all nine classes for the gatekeeper, only the eight defence classes for the specialists), training method (generative and discriminative) and base model. The system reaches $F1_{test}{=}.420$ on the hidden test set, placing first among 21 registered teams.
Abstract（参考訳）: 支援的会話における心理的防御機構のレベルの検出は本質的に曖昧である。 BioNLP 2026でのPsyDefDetectの共有タスクでは、8つの正の防衛カテゴリーが表面言語を共有しており、実用的機能だけが異なる。このようなタスクでは、決定的なレバーはより強力な単一モデルではなく、エラー独立である。この知見を3つの直交軸にまたがる9声アンサンブル(ゲートキーパーの9つのクラス、専門家の8つのディフェンスクラスのみ)、訓練方法(生成的・識別的)、ベースモデルに翻訳する。システムは隠れテストセットで$F1_{test}{=}.420$に達し、21の登録チームの中で第1位である。

関連論文リスト

Comparative Analysis of Inference-Time Defense Methods for Multimodal Large Language Models [0.0]
MLLM(Multimodal large language model)は、安全上重要なアプリケーションに実装されている。新しい脆弱性クラスごとにモデルをリトレーニングするのは、実用には高すぎる。 3時間防衛法とその組み合わせに関する比較実験的な評価を報告する。
論文参考訳（メタデータ） (2026-06-09T14:13:54Z)
LinguIUTics at PsyDefDetect: Iterative Imbalance-Aware Fine-tuning of Qwen3-8B for Psychological Defense Mechanism Classification [0.0]
PsyDefDetect 2026の共有タスクでは、LinguIUTicsチームが公式のポジティブクラスリーダーボードで0.3917のマクロF1スコアを達成した。我々は,階層化クロスバリデーション,少数クラスのラウンドロビン語彙拡張,ロジットバイアスチューニングとアンサンブルブレンディングを備えた後処理パイプラインの3つの戦略を活用する。
論文参考訳（メタデータ） (2026-05-30T09:47:29Z)
Overview of the PsyDefDetect Shared Task at BioNLP 2026: Detecting Levels of Psychological Defense Mechanisms in Supportive Conversations [33.49851288070166]
PsyDefDetectについて概説する。情緒的支援対話における心理的防衛機構のレベルを検出するための共有タスクである。このタスクでは,対象者の発話を,7つの階層的防衛メカニズムレーティング尺度(DMRS)レベルと2つの補助ラベルの9つのカテゴリの1つに分類するようシステムに求めている。最良のシステムは0.420のマクロF1スコアを達成し、データセットで報告された最強の微調整ベースラインを顕著な差で上回った。
論文参考訳（メタデータ） (2026-05-24T07:17:54Z)
UTS at PsyDefDetect: Multi-Agent Councils and Absence-Based Reasoning for Defense Mechanism Classification [1.348563827917271]
本稿では,感情支援対話における心理的防衛機構の分類システムについて述べる。中心的な洞察は、防御メカニズムが欠落しているものによって定義されることである。我々はこれを、最も大きな単一利得を考慮に入れた、即効レベルの臨床規則における感情認知統合スペクトルとしてエンコードする。
論文参考訳（メタデータ） (2026-05-10T21:30:02Z)
Hammer and Anvil: A Principled Defense Against Backdoors in Federated Learning [19.849567299082306]
フェデレートラーニング(Federated Learning)は、複数のクライアントが協力して機械学習モデルをトレーニングする分散ラーニング技術である。本研究では,まず,既存の敵の能力を超える適応的敵を考案する。そして、基本原理に2つの防御を組み合わせた、原則化された防衛アプローチであるハマーとアンビルを提示する。
論文参考訳（メタデータ） (2025-09-09T18:54:31Z)
Chasing Moving Targets with Online Self-Play Reinforcement Learning for Safer Language Models [64.47869632167284]
従来の言語モデル(LM)の安全性アライメントは、リアクティブで非結合な手順に依存している。このシーケンシャルなアプローチはミスマッチを生み出し、攻撃者は時代遅れの防御に過度に適合する一方、守備側は出現する脅威に常に遅れをとどめている。我々は,攻撃者と防御エージェントが継続的なインタラクションを通じて共進化するオンラインセルフプレイ強化学習アルゴリズムであるSelf-RedTeamを提案する。
論文参考訳（メタデータ） (2025-06-09T06:35:12Z)
Understanding and Improving Ensemble Adversarial Defense [4.504026914523449]
我々は、アンサンブルの防御を理解するための新しい誤り理論を開発した。我々は,対話的グローバル対人訓練(iGAT)という,アンサンブル対人防御を改善する効果的なアプローチを提案する。 iGATは、ホワイトボックスとブラックボックスの両方の攻撃下で、CIFAR10とCIFAR100データセットを使用して評価された最大17%のパフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2023-10-27T20:43:29Z)
Measuring Equality in Machine Learning Security Defenses: A Case Study in Speech Recognition [56.69875958980474]
この研究は、学習したシステムを守るためのアプローチと、異なるサブ人口間でのセキュリティ防衛がパフォーマンス上の不平等をもたらす方法を検討する。提案された多くの手法は、虚偽の拒絶やロバストネストレーニングの不平等といった直接的な害を引き起こす可能性がある。本稿では, ランダム化スムースメントとニューラルリジェクションの2つの防御法の比較を行い, マイノリティ集団のサンプリング機構により, ランダム化スムースメントがより公平であることを見出した。
論文参考訳（メタデータ） (2023-02-17T16:19:26Z)
Towards A Conceptually Simple Defensive Approach for Few-shot classifiers Against Adversarial Support Samples [107.38834819682315]
本研究は,数発の分類器を敵攻撃から守るための概念的簡便なアプローチについて検討する。本稿では,自己相似性とフィルタリングの概念を用いた簡易な攻撃非依存検出法を提案する。ミニイメージネット(MI)とCUBデータセットの攻撃検出性能は良好である。
論文参考訳（メタデータ） (2021-10-24T05:46:03Z)
Unified Detection of Digital and Physical Face Attacks [61.6674266994173]
顔攻撃に対する最先端の防御メカニズムは、敵対的、デジタル操作、または物理的な偽装の3つの攻撃カテゴリのうちの1つでほぼ完璧な精度を達成します。この3つのカテゴリに属する25のコヒーレントな攻撃タイプを自動的にクラスタリングできる統合攻撃検出フレームワーク(UniFAD)を提案する。
論文参考訳（メタデータ） (2021-04-05T21:08:28Z)
CD-UAP: Class Discriminative Universal Adversarial Perturbation [83.60161052867534]
単一の普遍的対向摂動(UAP)は、予測されたクラスラベルのほとんどを変更するために、すべての自然画像に追加することができる。本稿では,対象ネットワークを騙して選択したクラスのみを誤分類する単一摂動を生成する,新たなユニバーサルアタック手法を提案する。
論文参考訳（メタデータ） (2020-10-07T09:26:42Z)
Defensive Few-shot Learning [77.82113573388133]
本稿では,防御的数発学習という新たな課題について検討する。敵の攻撃に対して頑丈な数発のモデルを学習することを目的としている。提案したフレームワークは、既存の数発のモデルを敵攻撃に対して効果的に堅牢にすることができる。
論文参考訳（メタデータ） (2019-11-16T05:57:16Z)

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。