Fugu-MT 論文翻訳(概要): Multilingual Fact-Checking at Scale: Fine-Tuned Compact Models vs LLMs

論文の概要: Multilingual Fact-Checking at Scale: Fine-Tuned Compact Models vs LLMs

arxiv url: http://arxiv.org/abs/2606.08605v1
Date: Sun, 07 Jun 2026 12:33:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-09 14:42:06.295042
Title: Multilingual Fact-Checking at Scale: Fine-Tuned Compact Models vs LLMs
Title（参考訳）: スケールでの多言語Fact-Checking:Fact-Checking: Fine-Tuned Compact Models vs LLMs
Authors: Pratuat Amatya, Vinay Setty,
Abstract要約: 本稿では,Factiverseにデプロイされた多言語ファクトチェックシステムを提案する。このシステムは、クレーム検出、エビデンス検索と再ランク付け、正確性予測の3段階からなるモジュールパイプラインに従う。クレーム検出用114言語と精度予測用28言語にまたがる生産データ実験により,タスク固有の微調整が,強い,安定した多言語間性能を実現することが示された。
参考スコア（独自算出の注目度）: 8.830479021890577
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a multilingual fact-checking system deployed at Factiverse, designed for high-throughput and low-latency operation across diverse languages. The system follows a modular pipeline with three stages: claim detection, evidence retrieval and re-ranking, and veracity prediction. We fine-tune XLM-RoBERTa-Large for claim detection, mmBERT-base for three-label stance classification (Supports/Refutes/Mixed), and a SetFit-based multilingual re-ranker for claim--evidence matching. We compare these components against strong LLM baselines, including GPT-5.2, Claude Opus~4.6, and Qwen3-8b. Experiments on production data spanning 114 languages for claim detection and 28 languages for veracity prediction show that task-specific fine-tuning provides strong and stable multilingual performance, while the fine-tuned retrieval model remains competitive with modern proprietary embeddings. Same-hardware latency measurements further show large efficiency gains for encoder-based components, supporting their use in production deployments with tight cost and privacy constraints. Overall, compact fine-tuned, self-hosted models remain a practical and effective foundation for multilingual fact-checking at scale. Code and data used for this study are available at https://github.com/factiverse/factcheck-editor.
Abstract（参考訳）: 本稿では,Factiverseにデプロイされた多言語ファクトチェックシステムについて述べる。このシステムは、クレーム検出、エビデンス検索と再ランク付け、正確性予測の3段階からなるモジュールパイプラインに従う。クレーム検出用XLM-RoBERTa-Large、3ラベルのスタンス分類用mmBERT-base(Supports/Refutes/Mixed)、クレーム-エビデンスマッチング用setFitベースの多言語リランカについて述べる。 GPT-5.2, Claude Opus~4.6, Qwen3-8bなどの強力なLCMベースラインと比較した。クレーム検出用114言語と精度予測用28言語にまたがる生産データに関する実験では,タスク固有の細調整が多言語間性能を強く安定させる一方で,細調整された検索モデルは現代の独自埋め込みと競合するままである。同一のハードウェアレイテンシ測定は、エンコーダベースのコンポーネントの大幅な効率向上を示し、コストとプライバシの制約が厳しい運用デプロイメントにおける使用をサポートする。全体として、コンパクトで微調整された自己ホスト型モデルは、大規模な多言語ファクトチェックの実践的で効果的な基礎のままである。この研究で使用されるコードとデータはhttps://github.com/factiverse/factcheck-editor.comで公開されている。

関連論文リスト

MultiCW: A Large-Scale Balanced Benchmark Dataset for Training Robust Check-Worthiness Detection Models [6.382707047064603]
Multi-Check-Worthyデータセットは16言語、7つのトピックドメイン、2つの書き込みスタイルにまたがる。 123,722のサンプルからなり、ノイズ(非形式)と構造化(形式)のテキストの間に均等に分散し、すべての言語でチェックに相応しいクラスと非チェックに相応しいクラスのバランスが取れている。
論文参考訳（メタデータ） (2026-02-18T09:28:53Z)
CM-Align: Consistency-based Multilingual Alignment for Large Language Models [84.19366314925593]
高品質な多言語嗜好データを構築するための一貫性に基づくデータ手法を提案する。具体的には、一貫性のある英語参照選択と、言語間一貫性に基づく多言語嗜好データ構築の2つの部分を含む。
論文参考訳（メタデータ） (2025-09-10T12:40:49Z)
When Scale Meets Diversity: Evaluating Language Models on Fine-Grained Multilingual Claim Verification [14.187153195380668]
大規模言語モデルは、多くのNLPタスクにまたがる顕著な能力を持つが、ニュアンス付き分類スキームを用いた多言語クレーム検証の有効性は、まだ検討されていない。 X-Factデータセットでは、7つの異なる精度カテゴリを持つ25言語にまたがる5つの最先端言語モデルを評価する。驚くべきことに、XLM-R は全試験 LLM よりかなり優れており、57.7% のマクロF1 を 16.9% の最高の LLM 性能と比較すると達成している。
論文参考訳（メタデータ） (2025-07-28T10:49:04Z)
Beyond Translation: LLM-Based Data Generation for Multilingual Fact-Checking [2.321323878201932]
MultiSynFactは、2.2Mのクレームソースペアを含む最初の大規模多言語ファクトチェックデータセットである。我々のデータセット生成パイプラインはLarge Language Models (LLMs)を活用し、ウィキペディアの外部知識を統合する。ユーザフレンドリーなフレームワークをオープンソースとして公開し、マルチリンガルなファクトチェックとデータセット生成のさらなる研究を支援します。
論文参考訳（メタデータ） (2025-02-21T12:38:26Z)
On the Calibration of Multilingual Question Answering LLMs [57.296161186129545]
複数の多言語大言語モデル(MLLM)のキャリブレーションを様々な質問応答タスクでベンチマークする。本研究では,分布内,分布外,言語間移動設定におけるキャリブレーションの異なる次元について検討する。 LlaMa2のようなデコーダのみのLLMでは、コンテキスト内学習は多言語データの信頼性校正を改善する。
論文参考訳（メタデータ） (2023-11-15T03:29:02Z)
Self-Checker: Plug-and-Play Modules for Fact-Checking with Large Language Models [75.75038268227554]
Self-Checkerはファクトチェックを容易にするプラグインとプレイモジュールからなるフレームワークである。このフレームワークは、低リソース環境でファクトチェックシステムを構築するための、高速で効率的な方法を提供する。
論文参考訳（メタデータ） (2023-05-24T01:46:07Z)
Multilingual Large Language Models Are Not (Yet) Code-Switchers [41.47534626749588]
大規模言語モデル(LLM)は、最近、幅広いタスクにおいて優れた機能を示している。発話の中で言語を交互に行う習慣は、いまだにほとんど受け継がれていない。 LLMの現在の「多言語主義」は、本質的にはコードスイッチングテキストの習熟度を示唆していない、と我々は主張する。
論文参考訳（メタデータ） (2023-05-23T16:50:48Z)
MultiLegalSBD: A Multilingual Legal Sentence Boundary Detection Dataset [0.0]
文境界検出(SBD)は自然言語処理の基礎的構成要素の一つである。我々は6言語で130万以上の注釈文からなる多言語法的データセットをキュレートした。 CRF, BiLSTM-CRF, トランスフォーマーに基づく単言語モデルと多言語モデルの訓練, 試験を行い, 最先端性能を実証した。
論文参考訳（メタデータ） (2023-05-02T05:52:03Z)
Are Multilingual Models Effective in Code-Switching? [57.78477547424949]
多言語モデルの有効性を検討し,複合言語設定の能力と適応性について検討する。この結果から,事前学習した多言語モデルでは,コードスイッチングにおける高品質な表現が必ずしも保証されないことが示唆された。
論文参考訳（メタデータ） (2021-03-24T16:20:02Z)
Explicit Alignment Objectives for Multilingual Bidirectional Encoders [111.65322283420805]
本稿では,多言語エンコーダAMBER(Aligned Multilingual Bi-directional EncodeR)の学習方法を提案する。 AMBERは、異なる粒度で多言語表現を整列する2つの明示的なアライメント目標を使用して、追加の並列データに基づいて訓練される。実験結果から、AMBERは、シーケンスタグ付けで1.1平均F1スコア、XLMR-大規模モデル上での検索で27.3平均精度を得ることがわかった。
論文参考訳（メタデータ） (2020-10-15T18:34:13Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。