論文の概要: Cross-Platform Chinese Offensive Comment Detection via Dual-Threshold Hard Example Mining

• arxiv url: http://arxiv.org/abs/2606.27629v1
• Date: Fri, 26 Jun 2026 00:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.332793
• Title: Cross-Platform Chinese Offensive Comment Detection via Dual-Threshold Hard Example Mining
• Title（参考訳）: デュアルサードハード・マイニングによる中国のクロスプラットホームな攻撃的コメント検出
• Abstract要約: 中国のソーシャルメディアに対する攻撃的コメント検出のクロスプラットフォーム展開は、パフォーマンス劣化に悩まされている。 クリーン中国語ベースのRoBERTaはCOLD上で微調整され、公正な比較のためのバイナリベースラインを確立する。 実験では、4つのプラットフォームで最適化されたモデルの大幅なパフォーマンス向上が示されている。
• 参考スコア（独自算出の注目度）: 5.940434696885151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-platform deployment of offensive comment detection for Chinese social media suffers performance degradation. The paper proposes a dual-threshold hard mining method to address this. First, the clean-Chinese-base RoBERTa is finetuned on COLD to establish a binary baseline for fair comparison. Second, a three-class fine-labeled test set covering Weibo, Xiaohongshu, Tieba, and Zhihu is constructed, domain distances from the source are quantified using Jaccard and Proxy-A Distance, as well as the degradation bottleneck of the baseline under domain shift is systematically revealed. Herein, a dual threshold hard example mining strategy is proposed. High- and low-confidence error-prone samples are filtered from unlabeled corpora by prediction confidence. The model is secondarily finetuned under implicit contexts with merely a small set of manually labeled hard examples, realizing low-cost cross-platform domain adaptation. Experiments reveal significant performance gains of the optimized model across four platforms.
• Abstract（参考訳）: 中国のソーシャルメディアに対する攻撃的コメント検出のクロスプラットフォーム展開は、パフォーマンス劣化に悩まされている。 本稿は、この問題に対処する二層式ハードマイニング手法を提案する。 まず、クリーン中国語ベースのRoBERTaをCOLDに微調整し、公正比較のためのバイナリベースラインを確立する。 第2に,Weibo,Xiaohongshu,Tieba,Zhihuを包含する3級微ラベルテストセットを構築し,JaccardとProxy-A距離を用いてソースからのドメイン距離を定量化し,ドメインシフトによるベースラインの劣化ボトルネックを系統的に明らかにした。 ここでは、二重しきい値のハードサンプルマイニング戦略を提案する。 ラベルなしコーパスから高信頼および低信頼の誤り確率サンプルを予測信頼度によりフィルタリングする。 モデルは暗黙のコンテキスト下で2番目に微調整され、手動でラベル付けされたハードな例の小さなセットで、低コストのクロスプラットフォームドメイン適応を実現する。 実験では、4つのプラットフォームで最適化されたモデルの大幅なパフォーマンス向上が示されている。

関連論文リスト

• Disagreement-Regularized Importance Sampling for Adversarial Label Corruption [3.0416928830191066]
  Disagreement-Regularized Importance Smpling (DR-IS)は、独立したプロキシアンサンブル間での損失ランクの分類に基づくサブサンプリング手法である。 DR-ISは、ベンチマークデータセット上のError $L$-norm (EL2N)のようなマグニチュードベースのメソッドを壊すターゲットの高いノーム攻撃の下で堅牢である。
  論文  参考訳（メタデータ） (2026-05-08T10:27:51Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Gradient Structure Estimation under Label-Only Oracles via Spectral Sensitivity [37.729118253160145]
  我々は,既存の手動攻撃の幅広い範囲を,真の損失勾配の兆候を暗黙的に近似するものとして解釈できることを示す統一理論的な視点を開発する。 この第一原理の理解に動機づけられた我々は、ゼロクエリの周波数領域初期化とパターン駆動最適化(PDO)戦略を組み合わせた新たな攻撃フレームワークを提案する。 我々は、CIFAR-10、ImageNet、ObjectNetに関する広範な実験を通じて、我々のフレームワークを実証的に検証し、標準および敵対的に訓練されたモデル、商用API、CLIPベースのモデルをカバーする。
  論文  参考訳（メタデータ） (2026-01-17T02:47:47Z)
• Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
  CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。 CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
  論文  参考訳（メタデータ） (2026-01-13T12:08:26Z)
• Dual-level Progressive Hardness-Aware Reweighting for Cross-View Geo-Localization [8.029962860829821]
  ドローンと衛星画像のクロスビューなジオローカライゼーションは難しい。 既存の採掘戦略や再重み付け戦略は、しばしば静的重み付けを用いる。 本稿では,2段階のプログレッシブ・ハーネスを意識した再重み付け戦略を提案する。
  論文  参考訳（メタデータ） (2025-10-31T05:08:46Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Doubly Contrastive Deep Clustering [135.7001508427597]
  本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。 具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。 クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。 このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
  論文  参考訳（メタデータ） (2021-03-09T15:15:32Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。