論文の概要: Multilingual Polarization Detection Using Transformer-Based Models with Class Weighting and Threshold Tuning
- arxiv url: http://arxiv.org/abs/2606.30857v1
- Date: Mon, 29 Jun 2026 19:42:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:18.994649
- Title: Multilingual Polarization Detection Using Transformer-Based Models with Class Weighting and Threshold Tuning
- Title（参考訳）: クラス重み付けと閾値調整を用いた変圧器モデルを用いた多言語分極検出
- Abstract要約: 本稿では,二分極検出,分極型分類,および英語とスワヒリ語の表現識別について述べる。
提案手法は,クラス重み付き損失関数を持つトランスフォーマーモデルを用いて,ラベルの不均衡に対処する。
我々の誤り分析は、モデルが非人間化の検出と共感の欠如に苦慮していることを明らかにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes our submission to SemEval-2026 Task 9 on detecting multilingual, multicultural, and multievent online polarization. We address all three subtasks: binary polarization detection, polarization type classification, and manifestation identification for English and Swahili. Our approach leverages transformer-based models (RoBERTa-base for English, AfroXLMR-base for Swahili) with class-weighted loss functions to address severe label imbalance and per-label threshold tuning to optimize multi-label classification. On the test set, we achieve F1 macro scores of 0.7901 (English) and 0.7910 (Swahili) for Subtask 1, 0.4615 (English) and 0.4808 (Swahili) for Subtask 2 and 0.4791 (English) and 0.5830 (Swahili) for Subtask 3, which give competitive performance on the leaderboard, demonstrating the effectiveness of our methods for handling imbalanced multi-label polarization detection. Our error analysis reveals that models struggle with dehumanization detection and lack of empathy.
- Abstract（参考訳）: 本稿では,SemEval-2026 Task 9 に提案した多言語・多文化・多言語オンライン偏光検出タスクについて述べる。
本稿では,2分極検出,分極型分類,英語とスワヒリ語の表現識別という3つのサブタスクに対処する。
提案手法はトランスフォーマーベースモデル(英語ではRoBERTaベース,スワヒリ語ではAfroXLMRベース)とクラス重み付き損失関数を用いて,重度ラベルの不均衡とラベルごとのしきい値調整を行い,マルチラベル分類を最適化する。
テストセットでは,Subtask 1, 0.4615 (英語) に対して 0.7901 (英語) と 0.7910 (スワヒリ) を,Subtask 2 に対して 0.4808 (英語) と Subtask 3 に対して 0.4791 (スワヒリ) と 0.5830 (スワヒリ) の F1 マクロスコアを達成した。
我々の誤り分析は、モデルが非人間化の検出と共感の欠如に苦慮していることを明らかにする。
関連論文リスト
- Beyond the Name: Demographic Leakage in De-Identified Résumés and Evaluation Artifacts in LLM Bias Audits [4.736836688901646]
本研究では,9つのオープンウェイトモデルと620レサムモデルにおいて,言語フィールドの除去がリークを解消するか否かを検討する。
5つの民族的条件と3つのクエー・サリエンス層にまたがる非構造的散文を分離した。
目標グループの回復平均は0.757であり、高塩分下では1.000で飽和する。
論文 参考訳（メタデータ） (2026-09-15T01:48:44Z) - Lingo_Research_Group at SemEval-2026 Task 9: Evaluating Prompt Variants for Polarization Detection [1.921560550802477]
本稿では,SemEval-2026 Task 9: Multilingual Text Classification Challenge - Polarization Detectionを提案する。
1)二分極検出、(2)分極型分類、(3)分極型識別の3つのサブタスクをカバーする。
我々は,用語の明確さにおいて異なる12種類の設計プロンプトを考慮し,短い設計プロンプトの研究の体系的アプローチを採用する。
論文 参考訳（メタデータ） (2026-06-02T08:41:54Z) - A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。
このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。
The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
論文 参考訳（メタデータ） (2026-05-30T11:20:29Z) - YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling [3.3438708071539445]
XLM-RoBERTa-largeとmDeBERTa-v3-baseを組み合わせた多言語事前学習モデルの異種アンサンブルを提案する。
本研究では,多タスク学習,翻訳に基づくデータ拡張,クラス重み付けなどの手法を用いて,重度ラベルの不均衡下での分類性能の向上を図る。
論文 参考訳（メタデータ） (2026-05-07T13:21:40Z) - Do We Still Need Humans in the Loop? Comparing Human and LLM Annotation in Active Learning for Hostility Detection [68.37351671559675]
アクティブな学習は、無視可能なコストで短いプロンプトから何千ものインスタンスに注釈を付けることができる。
LLMラベルはALループ内で人間のラベルを置き換えることができ、ALはコーパス全体を一度にラベル付けできるときに必要か?
277,902人のドイツの政治的TikTokコメントの新しいデータセットについて、両方の質問を調査した。
論文 参考訳（メタデータ） (2026-04-15T14:10:58Z) - SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization [47.011443052131376]
オンライン偏極検出タスクであるSemEval-2026 Task 9について述べる。
参加者は,(1)偏光の存在を検出すること,(2)偏光の種類を特定すること,(3)偏光の出現を認識すること,の3つのサブタスクにおいて,ラベルの予測を依頼された。
本稿では,各サブタスクや言語にまたがる最も一般的なアプローチと,最も効果的な手法を取り上げ,ベースラインの結果を報告する。
論文 参考訳（メタデータ） (2026-04-08T08:34:55Z) - Not All Pretraining are Created Equal: Threshold Tuning and Class Weighting for Imbalanced Polarization Tasks in Low-Resource Settings [0.0]
本稿では,SemEval-2025における分極共有タスクへの私の提出について述べる。
英語とスワヒリ語のためのトランスフォーマーベースシステムを開発した。二分極検出,多ラベルターゲット型分類,多ラベル表示識別という3つのサブタスクである。
論文 参考訳（メタデータ） (2026-03-08T15:50:37Z) - Mario at EXIST 2025: A Simple Gateway to Effective Multilingual Sexism Detection [8.40042895828361]
EXIST 2025 Task 1は、Llama 3.1 8Bの階層的低ランク適応(LoRA)を通じて、英語とスペイン語のツイートでテキストベースの性差別を検出する。
本手法では,3つの階層的なサブタスク間の依存関係を明示的にモデル化する条件付きアダプタルーティングを導入する。
提案手法は,トレーニング時間を75%削減し,モデルストレージを98%削減すると同時に,すべてのサブタスクで競合性能を実現する。
論文 参考訳（メタデータ） (2025-07-15T05:30:32Z) - Bag of Tricks for Effective Language Model Pretraining and Downstream
Adaptation: A Case Study on GLUE [93.98660272309974]
このレポートでは、ジェネラル言語理解評価のリーダーボードに関するVega v1を簡潔に紹介します。
GLUEは、質問応答、言語受容性、感情分析、テキスト類似性、パラフレーズ検出、自然言語推論を含む9つの自然言語理解タスクのコレクションである。
最適化された事前学習と微調整の戦略により、13億のモデルは4/9タスクに新しい最先端のタスクを設定し、91.3の平均スコアを達成しました。
論文 参考訳（メタデータ） (2023-02-18T09:26:35Z) - OneAligner: Zero-shot Cross-lingual Transfer with One Rich-Resource
Language Pair for Low-Resource Sentence Retrieval [91.76575626229824]
文検索タスク用に特別に設計されたアライメントモデルであるOneAlignerを提案する。
大規模並列多言語コーパス(OPUS-100)の全ての言語ペアで訓練すると、このモデルは最先端の結果が得られる。
実験結果から,文アライメントタスクの性能はモノリンガルおよび並列データサイズに大きく依存することがわかった。
論文 参考訳（メタデータ） (2022-05-17T19:52:42Z) - DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with
Gradient-Disentangled Embedding Sharing [117.41016786835452]
本稿では,DeBERTaモデルの改良を目的とした,事前学習型言語モデルDeBERTaV3を提案する。
ELECTRAでのバニラ埋め込み共有は、トレーニング効率とモデルパフォーマンスを損なう。
そこで本研究では、タグ・オブ・ウォーのダイナミクスを回避するために、新しい勾配距離の埋め込み方式を提案する。
論文 参考訳（メタデータ） (2021-11-18T06:48:00Z)
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。