論文の概要: UCSC NLP at SemEval-2026 Task 10: Boundary-Aware Span Extraction and RoBERTa Classification for Conspiracy Detection

• arxiv url: http://arxiv.org/abs/2607.05689v1
• Date: Mon, 06 Jul 2026 23:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.349018
• Title: UCSC NLP at SemEval-2026 Task 10: Boundary-Aware Span Extraction and RoBERTa Classification for Conspiracy Detection
• Title（参考訳）: UCSC NLP at SemEval-2026 Task 10:Bundary-Aware Span extract and RoBERTa Classification for Conspiracy Detection
• Abstract要約: We formulate the task as multi-label span classification over enumerated candidate spans, using IoU >= 0.95 positive labeling, hard- negative sample, and containment-based non-maximum suppress (NMS)。 マーカー抽出では,IoU >= 0.95 の正のラベル付け,強陰性サンプリング,境界対応スパン表現を含む包括的非最大抑圧(NMS)を用いて,列挙された候補スパンに対するマルチラベルスパン分類としてタスクを定式化する。 分析によると、実体的役割(アクター、ヴィクティム)は、抽象的役割(アクション、エフェクト、エビデンス)が強固に検出される。
• 参考スコア（独自算出の注目度）: 0.06808132439548074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present our systems for SemEval-2026 Task 10 (PsyCoMark), addressing conspiracy marker extraction (Subtask 1) and document-level conspiracy detection (Subtask 2). For marker extraction, we formulate the task as multi-label span classification over enumerated candidate spans, using IoU >= 0.95 positive labeling, hard-negative sampling, and containment-based non-maximum suppression (NMS) with boundary-aware span representations. Document classification is modeled independently using a sequence classifier with label smoothing and a stratified train-validation split. Analysis shows that entity-like roles (Actor, Victim) are detected robustly, while abstract roles (Action, Effect, Evidence) remain sensitive to boundary criteria. On the official test set, our systems rank 7th in Subtask 1 (0.2251 macro F1) and 11th in Subtask 2 (0.7694 weighted F1).
• Abstract（参考訳）: 本稿では,SemEval-2026タスク10(PsyCoMark),陰謀マーカー抽出(Subtask 1),文書レベルの陰謀検出(Subtask2)について述べる。 マーカー抽出では,IoU >= 0.95 の正のラベル付け,強陰性サンプリング,境界対応スパン表現を含む包括的非最大抑圧(NMS)を用いて,列挙された候補スパンに対するマルチラベルスパン分類としてタスクを定式化する。 文書分類は、ラベルスムース化と階層化された列車バリデーション分割を備えたシーケンス分類器を用いて独立にモデル化される。 分析により、実体的役割(アクター、ヴィクティム)は堅牢に検出され、抽象的役割(アクション、エフェクト、エビデンス)は境界基準に敏感であることが示された。 公式なテストセットでは、我々のシステムはSubtask 1 (0.2251 macro F1) で7位、Subtask 2 (0.7694 weighted F1) で11位にランクされている。

関連論文リスト

• Discrete Diffusion Language Models Are Training-Free Multi-Label Classifiers [1.3406606730449597]
  マルチラベルテキスト分類のための個別マスク付き拡散言語モデルを用いた訓練不要なdLLM-SetScoreを提案する。 各候補ラベルについて、短いイエス/ノー質問を行い、2つの回答トークンの確率を1つのマスクされた位置で比較する。
  論文  参考訳（メタデータ） (2026-07-30T15:21:02Z)
• AILS-NTUA at SemEval-2026 Task 10: Agentic LLMs for Psycholinguistic Marker Extraction and Conspiracy Endorsement Detection [14.20669481486209]
  本稿では,SemEval-2026 Task 10 のための新しいエージェント LLM パイプラインを提案する。 マーカー抽出のために,意味的あいまいさと文字レベルの脆さを解消するために,決定論的アンカーを用いた動的離散Chain-of-Thought (DD-CoT)を提案する。 共謀検知のためには、キャリブレート判事による反対パラレル協議会で構成される「反Echoチャンバー」アーキテクチャが「レポータートラップ」を克服する。
  論文  参考訳（メタデータ） (2026-03-05T08:09:10Z)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• X-PuDu at SemEval-2022 Task 7: A Replaced Token Detection Task Pre-trained Model with Pattern-aware Ensembling for Identifying Plausible Clarifications [13.945286351253717]
  本稿では,SemEval 2022 Task 7: Identifying Plausible Clarifications of Implicit and Underspecificified Phrases in instructional textsについて述べる。 SubTask-A: Multi-class Classification と SubTask-B: Ranking のために、置換トークン検出事前訓練モデルを使用する。 本システムでは,SubTask-AとSubTask-Bのそれぞれ2.7と2.2%の差で,68.90%の精度スコアと0.8070のスピアマンのランク相関スコアが2位を突破した。
  論文  参考訳（メタデータ） (2022-11-27T05:46:46Z)
• Event Causality Identification with Causal News Corpus -- Shared Task 3, CASE 2022 [3.0775142635531685]
  事象因果同定 2022 症例の共有タスクには2つのサブタスクが含まれていた。 サブタスク1は、ある文が因果関係を含むか否かを予測するために参加者に要求する。 サブタスク2では、参加者は因果文ごとに原因、効果、信号のスパンを特定する必要があった。
  論文  参考訳（メタデータ） (2022-11-22T10:34:09Z)
• CaSP: Class-agnostic Semi-Supervised Pretraining for Detection and Segmentation [60.28924281991539]
  本稿では,タスク固有性バランスを向上するために,クラス非依存型半教師付き事前学習(CaSP)フレームワークを提案する。 我々は3.6Mの未ラベルデータを用いて、ImageNetで規定されたオブジェクト検出のベースラインよりも4.7%の顕著なパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2021-12-09T14:54:59Z)
• Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
  本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。 入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
  論文  参考訳（メタデータ） (2021-09-12T19:33:34Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Yseop at SemEval-2020 Task 5: Cascaded BERT Language Model for Counterfactual Statement Analysis [0.0]
  我々は、分類タスクにBERTベースモデルを使用し、シーケンス識別タスクを処理するために、ハイブリッドBERTマルチ層パーセプトロンシステムを構築した。 本実験により, 構文的・意味的特徴の導入は, 分類タスクにおけるシステム改善にはほとんど寄与しないが, それらの特徴を線形入力として用いて, モデルのシーケンス決定能力を微調整することにより, 2次タスクにおいてBiLSTM-CRFのような他の類似の複雑なシステムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-18T08:19:18Z)

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。