論文の概要: Cascading versus Joint Modeling for Hierarchical Offensive Language Detection
- arxiv url: http://arxiv.org/abs/2607.16790v1
- Date: Sat, 18 Jul 2026 11:57:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.260532
- Title: Cascading versus Joint Modeling for Hierarchical Offensive Language Detection
- Title（参考訳）: 階層型攻撃言語検出のためのカスケード対関節モデル
- Abstract要約: 本稿では,サブタスク毎にトレーニング戦略をカスタマイズした3段階のカスケード検出システムを提案する。
実験では、公式テストセットの3つのサブタスクにおいて、マクロF1スコアが0.795、0.716、0.557に達することが示された。
連立マルチタスクモデルとは対照的に、カスケードアーキテクチャは3つのサブタスクすべてに対して高い精度を達成する。
- 参考スコア（独自算出の注目度）: 4.727580900653371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fine-grained offensive language detection organizes labels into a hierarchical structure, for which two modeling paradigms exist: cascaded decomposition and joint multi-task modeling. Prior work rarely provides a direct, controlled comparison of the two paradigms in terms of accuracy, parameter count, and inference latency, and rarely verifies whether a chosen class-imbalance handling strategy is actually optimal. This paper proposes a three-level cascaded detection system whose training strategy is customized per subtask, together with two verification mechanisms. First, a controlled ablation study determines the best class-imbalance handling strategy for each subtask. Second, a joint multi-task model with a shared encoder is trained as an architectural control, yielding real measurements along the dimensions of accuracy, parameter count, and inference latency. Experiments show that the cascaded system attains macro-F1 scores of 0.795, 0.716, and 0.557 on the three subtasks of the official test set. The ablation study reveals that configuring the loss function purely by imbalance-severity intuition is suboptimal; reconfiguring based on the ablation results improves both performance and stability. End-to-end cascade evaluation shows that roughly one-fifth of the errors in the cascade pipeline originate from the first-stage filter and cannot be corrected by subsequent stages. Relative to the joint multi-task model, the cascaded architecture achieves higher accuracy on all three subtasks, with a 7.1-point macro-F1 gain on the most severely imbalanced subtask, at the cost of three times the parameters and 1.67 times the inference latency. Together, these results establish an explicit, quantifiable trade-off between the accuracy advantage of cascaded architectures and their deployment cost.
- Abstract（参考訳）: きめ細かい攻撃的言語検出はラベルを階層構造に整理し、2つのモデリングパラダイムが存在する:カスケード分解と共同マルチタスクモデリングである。
従来の作業では、正確性、パラメータ数、推論遅延という2つのパラダイムを直接的に比較することはめったになく、選択したクラス不均衡処理戦略が実際に最適かどうかを検証することは滅多にない。
本稿では,サブタスク毎にトレーニング戦略をカスタマイズした3段階カスケード検出システムと2つの検証機構を提案する。
まず、制御されたアブレーション研究により、各サブタスクに対して最適なクラスバランスハンドリング戦略が決定される。
第二に、共有エンコーダを用いた共同マルチタスクモデルをアーキテクチャ制御として訓練し、精度、パラメータ数、推論遅延の次元に沿って実測値を生成する。
実験では、公式テストセットの3つのサブタスクにおいて、マクロF1スコアが0.795、0.716、0.557に達することが示された。
アブレーション実験では,不均衡度直観によって損失関数を純粋に設定することが最適であり,アブレーション結果に基づく再構成は,性能と安定性を両立させる。
エンド・ツー・エンドのカスケード評価は、カスケード・パイプラインの誤差のおよそ5分の1が第1段階のフィルタから発生し、その後の段階では修正できないことを示している。
連立マルチタスクモデルとは対照的に、カスケードアーキテクチャは3つのサブタスクすべてに対して高い精度を実現し、パラメータの3倍と推論遅延の1.67倍のコストで、7.1ポイントのマクロF1ゲインを得る。
これらの結果は、カスケードアーキテクチャの精度上の利点とデプロイメントコストとの間に、明確で定量的なトレードオフを確立します。
関連論文リスト
- DaV-Gen: End-to-End Generative Retrieval via Draft-and-Verify [4.546259713278263]
textbfDaV-Genは、検索とレコメンデーションの両方のパラダイムを基本として設計された、新しい統一ソリューションである。
トレーニング中、モデルは候補のドラフトと詳細な検証の両方に同時に最適化される。
これは、2つの異なるが関連する目的に基づいてモデルを共同で訓練する複合損失関数によって達成される。
論文 参考訳（メタデータ） (2026-07-09T11:22:50Z) - Memory by Design: Probabilistic Sequence Layers [19.16406809753255]
本稿では,メモリに関する明示的な仮定から,効率的な逐次シーケンスマップを導出する方法を提案する。
設計モデルは、正確なベイズフィルタリングによって証拠を記憶に書き込む。
クエリ依存の読み出しは、平均が層出力である予測分布を生成する。
論文 参考訳（メタデータ） (2026-05-29T11:13:00Z) - Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。
ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。
トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
論文 参考訳（メタデータ） (2026-02-26T11:08:39Z) - What Does It Take to Build a Performant Selective Classifier? [30.90225954725644]
ベイズノイズ,近似誤差,ランキング誤差,統計的ノイズ,実装またはシフト誘起スラックについて検討した。
我々は,合成2モードデータと実世界のビジョンと言語ベンチマークを用いて,その分解を検証した。
その結果, (i)ベイズノイズとモデル容量の制限は, 実質的なギャップを考慮し, (ii) よりリッチで特徴を考慮したキャリブレータのみを有意義に改善し, (iii) データシフトは, 分散的に堅牢なトレーニングを必要とするスラックを別々に導入することを確認した。
論文 参考訳（メタデータ） (2025-10-23T05:48:40Z) - Diffusion Bridge or Flow Matching? A Unifying Framework and Comparative Analysis [57.614436689939986]
拡散ブリッジとフローマッチングは、任意の分布間の変換において魅力的な経験的性能を示した。
我々は,これらのフレームワークを最適制御のレンズを通して再キャストし,拡散橋のコスト関数が低いことを証明した。
これらの理論的主張を裏付けるために,潜伏変圧器上に構築された拡散橋の新しい強力なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-09-29T09:45:22Z) - Abduct, Act, Predict: Scaffolding Causal Inference for Automated Failure Attribution in Multi-Agent Systems [20.846301581161978]
マルチエージェントシステムにおける障害帰属は、批判的だが未解決の課題である。
現在の手法では、これを長い会話ログ上のパターン認識タスクとして扱う。
A2P Scaffoldingは、パターン認識から構造化因果推論タスクへの障害帰属を変換する。
論文 参考訳（メタデータ） (2025-09-12T16:51:15Z) - Toward Reproducible Cross-Backend Compatibility for Deep Learning: A Configuration-First Framework with Three-Tier Verification [1.5269986601063288]
本稿では,ディープラーニングシステムにおけるクロスバックエンド互換性を評価するための構成優先フレームワークを提案する。
このフレームワークはYAMLを使ったコードから実験を分離し、ライブラリモデルとリポジトリモデルの両方をサポートし、3層認証プロトコルを使用している。
ランの72.0%が通過し、ほとんどの不一致はより厳格な閾値で発生している。
論文 参考訳（メタデータ） (2025-08-29T16:28:28Z) - AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z) - Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。
我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。
実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文 参考訳（メタデータ） (2023-06-09T06:02:01Z) - To Asymmetry and Beyond: Structured Pruning of Sequence to Sequence
Models for Improved Inference Efficiency [37.22592489907125]
モデル精度はエンコーダサイズに結びついており、推論効率はデコーダに接続されていることを示す。
平均的な劣化と非対称性の役割の両方が、データセットのモデルサイズとバリエーションで一致していることが分かりました。
論文 参考訳（メタデータ） (2023-04-05T19:44:20Z) - Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by
Enabling Input-Adaptive Inference [119.19779637025444]
深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。
本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
論文 参考訳（メタデータ） (2020-02-24T00:40:22Z)
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。