論文の概要: MAAM: Anchor-Preserving Compression and Contextual Calibration for Chinese Discriminatory Language Detection

• arxiv url: http://arxiv.org/abs/2606.09114v1
• Date: Mon, 08 Jun 2026 07:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.7831
• Title: MAAM: Anchor-Preserving Compression and Contextual Calibration for Chinese Discriminatory Language Detection
• Title（参考訳）: MAAM:中国語識別言語検出のためのアンカー保存圧縮と文脈校正
• Authors: Yuxin Fu, Shijing Si,
• Abstract要約: 我々は,機能的視覚的ぼかしに触発された軽量でモデルに依存しないMAAM(Myopia-Astigmatism Anchor Mechanism)を提案する。 また、中国初のLGBT中心の差別言語データセットであるChLGBTについても紹介する。 強いエンコーダのベースラインを越えて、MAAMは3つの予測次元を改良し、精度、F1、ブライアスコア、期待校正誤差が一貫した。
• 参考スコア（独自算出の注目度）: 4.939857202189033
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Chinese discriminatory-language detection is challenging because harmful intent is often implicit and context-dependent. We propose MAAM (Myopia--Astigmatism Anchor Mechanism), a lightweight, model-agnostic framework inspired by functional visual blur: rather than preserving every token equally, MAAM retains discrimination-relevant semantic anchors and calibrates them with C--I--S contextual priors (Contextual Tone, Group Identity, and Stance Polarity). We also introduce ChLGBT, to our knowledge the first Chinese LGBT-focused discriminatory-language dataset, with 8,120 manually annotated samples and three ordinal labels: explicit bias, implicit bias, and emotional intensity. Across strong encoder baselines, MAAM improves all three prediction dimensions, with consistent gains in accuracy, F1, Brier score, and expected calibration error. Compared with frontier LLM baselines under zero-shot and few-shot prompting protocols, MAAM remains competitive while offering stronger compactness and stability. These results suggest that interpretable anchor preservation and contextual calibration provide a practical alternative to heavier model scaling for Chinese discriminatory-language assessment.
• Abstract（参考訳）: 有害な意図はしばしば暗黙的で文脈に依存しているため、中国の差別的言語検出は困難である。 すべてのトークンを等しく保存する代わりに、MAAMは識別関連セマンティックアンカーを保持し、C-I-Sコンテキスト先行(コンテキストトーン、グループアイデンティティ、スタンス極性)で校正する。 また、私たちの知る限り、ChLGBTは中国のLGBT中心の差別言語データセットであり、8,120の注釈付きサンプルと3つの順序ラベル(明示的バイアス、暗黙的バイアス、感情的強度)を持つ。 強いエンコーダのベースラインを越えて、MAAMは3つの予測次元を改良し、精度、F1、ブライアスコア、期待校正誤差が一貫した。 ゼロショットおよび少数ショットプロンプトプロトコルの下でのフロンティアLLMベースラインと比較して、MAAMはより強力なコンパクト性と安定性を提供しながら競争力を維持している。 これらの結果は,解釈可能なアンカー保存と文脈キャリブレーションが,中国語識別言語評価における重み付けモデルスケーリングの代替となることを示唆している。

関連論文リスト

• The Silent Vote: Improving Zero-Shot LLM Reliability by Aggregating Semantic Neighborhoods [0.0]
  対象ラベルを囲むセマンティック・エリアのスコアを集約することにより,損失情報を復元する推論時間層を提案する。 その結果, 予測誤差 (ECE) とブライアスコア (Brier Score) は, AUROC と Macro-F1 の区別性能を同時に向上した。
  論文  参考訳（メタデータ） (2026-05-10T20:22:10Z)
• Mitigating Cross-Lingual Cultural Inconsistencies in LLMs via Consensus-Driven Preference Optimisation [58.01855677487771]
  本研究では,多言語大言語モデル (MLLM) が,プロンプトの言語変化に伴う不整合性を示すことを示す。 コンセンサス駆動型アライメントフレームワークであるC-3POを提案する。 C-3POは、非整合モデルよりも0.10ポイントの$_S$を絶対的に増加させ、強力なプロンプトと表現のステアリングベースラインを上回る。
  論文  参考訳（メタデータ） (2026-04-02T14:04:06Z)
• Translation or Recitation? Calibrating Evaluation Scores for Machine Translation of Extremely Low-Resource Languages [39.985923582735936]
  FREDの難易度はF(F)、Retrieval Proxy(R)、Pre-training Exposure(E)、Corpus Diversity(D)を含む。 これらの測定結果から、結果のばらつきの大部分は、モデル能力よりも、列車とテストの重複と事前訓練による露光によって説明されていることが分かる。
  論文  参考訳（メタデータ） (2026-03-26T09:20:17Z)
• CLM-Bench: Benchmarking and Analyzing Cross-lingual Misalignment of LLMs in Knowledge Editing [5.137059606366328]
  CLM-Benchは中国固有の手法を用いて構築されたカルチャー対応のベンチマークである。 代表的LLMについて広範な実験を行い、言語間の相違を顕著に明らかにした。 本研究は,言語間移動における現在の手法の有効性に挑戦し,文化的にネイティブなベンチマークの重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-24T09:55:34Z)
• Can Large Language Models Express Uncertainty Like Human? [71.27418419522884]
  我々は,人間に注釈を付けた信頼スコアを持つヘッジ式の最初の多種多様な大規模データセットをリリースする。 現代大言語モデルにまたがる言語信頼に関する最初の体系的研究を行う。
  論文  参考訳（メタデータ） (2025-09-29T02:34:30Z)
• Breaking Language Barriers or Reinforcing Bias? A Study of Gender and Racial Disparities in Multilingual Contrastive Vision Language Models [28.944990804599893]
  M-CLIP, NLLB-CLIP, CAPIVARA-CLIP, and the debiased SigLIP-2。 人種と性別の偏見を定量化し、ステレオタイプ増幅を測定する。
  論文  参考訳（メタデータ） (2025-05-20T10:14:00Z)
• Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
  言語モデル(LM)は、自然言語生成において有望な性能を示している。 与えられた入力に応答する際の不確実性を正確に定量化することは重要である。 我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-04-04T02:31:05Z)
• Machine Translation Meta Evaluation through Translation Accuracy Challenge Sets [92.38654521870444]
  ACESは146の言語ペアにまたがる対照的な課題セットです。 このデータセットは、メトリクスが68の翻訳精度の誤差を識別できるかどうかを調べることを目的としている。 我々は、WMT2022および2023のメトリクス共有タスクに提出された50のメトリクスに対して、ACESをベンチマークすることで、大規模な研究を行う。
  論文  参考訳（メタデータ） (2024-01-29T17:17:42Z)
• Understanding and Mitigating the Uncertainty in Zero-Shot Translation [92.25357943169601]
  ゼロショット翻訳の不確実性の観点から、オフターゲット問題を理解し、緩和することを目的としている。 そこで本研究では,モデルトレーニングのためのトレーニングデータを認知するための,軽量かつ補完的な2つのアプローチを提案する。 提案手法は,強いMNMTベースライン上でのゼロショット翻訳の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-05-20T10:29:46Z)

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。