論文の概要: thaulab@EEUCA 2026: Who Said What to Whom? A Targeting-Aware Neural-Symbolic Pipeline for Gaming Toxicity Detection
- arxiv url: http://arxiv.org/abs/2607.20447v1
- Date: Wed, 13 May 2026 15:15:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.165785
- Title: thaulab@EEUCA 2026: Who Said What to Whom? A Targeting-Aware Neural-Symbolic Pipeline for Gaming Toxicity Detection
- Title（参考訳）: thaulab@EEUCA 2026: 誰が何を言ったか? ゲーム毒性検出のための標的を意識したニューラルシンボリックパイプライン
- Abstract要約: 本稿では,ゲームチャットにおける毒性分類に関するEEUCA 2026共有タスクについて述べる。
このシステムは公式テストセットで0.6441のマクロF1と0.9062の精度を実現し、マクロF1で3位、全チームで1位となった。
- 参考スコア（独自算出の注目度）: 4.187230531998879
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes our system for the EEUCA 2026 Shared Task on toxicity classification in gaming chat. We implement a three-stage pipeline combining an ensemble of two compact transformers (DeBERTa-v3-base, 184M; XLM-RoBERTa-base, 278M) with a Linguistically-Informed Mediator (LIM) that resolves inter-model disagreements through corpus-backed lexical normalization, class-conditional unigram scoring, multilingual profanity detection, and agentive targeting analysis grounded in speech act theory. The LIM specifically targets the minority classes (Hate \& Harassment, Threats, and Extremism), which are the most safety-critical categories in real-world gaming moderation. To address the extreme class imbalance (1{,}450:1 Non-toxic to Extremism ratio), we introduce a two-stage data augmentation strategy using only the provided training data. Our system achieves a Macro F1 of 0.6441 and accuracy of 0.9062 on the official test set, ranking 3rd in Macro F1 and 1st in accuracy among all teams. The proposed pipeline is domain-portable: adapting to other gaming platforms requires substituting only the game-specific entity lexicon. Code is publicly available at https://github.com/Anmol2059/thaulab\_EEUCA.
- Abstract（参考訳）: 本稿では,ゲームチャットにおける毒性分類に関するEEUCA 2026共有タスクについて述べる。
我々は,2つのコンパクトトランス (DeBERTa-v3-base, 184M; XLM-RoBERTa-base, 278M) とLinguistically-Informed Mediator (LIM) を組み合わせた3段階パイプラインを実装した。
LIMは、現実世界のゲームモデレーションにおいて最も安全に重要なカテゴリーであるマイノリティクラス(Hate \&Harassment、Threats、Extremism)を特に対象としている。
極度のクラス不均衡(1{,}450:1)に対処するため,得られたトレーニングデータのみを用いた2段階データ拡張戦略を導入する。
このシステムは公式テストセットで0.6441のマクロF1と0.9062の精度を実現し、マクロF1で3位、全チームで1位となった。
他のゲームプラットフォームに適応するためには、ゲーム固有のエンティティレキシコンのみを置換する必要がある。
コードはhttps://github.com/Anmol2059/thaulab\_EEUCAで公開されている。
関連論文リスト
- BioSentinel at EXIST 2026: Soft-Label Optimization with XLM-RoBERTa for Sexism Intent Classification in Memes [0.8749675983608171]
本稿では,バイオセンチネルチームによるEXIST 2026 Task 2.2: Source Intention in Memesへの参加について述べる。
この課題には、ミームの背後にあるコミュニケーション意図を、直接的、判断的、あるいは(非性的な)ノーとして分類する必要がある
ソフトアノテータ分布にKL分散を組み込んだ複合損失関数を用いて訓練したxlm-roberta-base(270Mパラメータ)に基づくテキスト中心のアプローチを提案する。
論文 参考訳（メタデータ） (2026-07-27T08:18:05Z) - UOL@IDEM at BEA 2026 Shared Task 1: Neural Fusion and Feature-Rich Modeling for L1-Aware Vocabulary Difficulty Prediction [1.9746060146273674]
本稿では, BEA 2026 の L1-aware vocabulary difficulty 予測タスクに対する UOL@IDEM のクローズトトラック提案について述べる。
我々は、このタスクを回帰としてモデル化し、スペイン語、ドイツ語、マンダリン中国語の別系統を訓練する。
本システムは,多言語文脈表現と,周波数,表面形状,検索証拠,セマンティックアライメント,コグネート類似性,マスク付き言語モデル予測可能性などの特徴を結合する。
論文 参考訳（メタデータ） (2026-06-23T12:30:48Z) - Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。
8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。
FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
論文 参考訳（メタデータ） (2026-06-02T07:01:33Z) - MINDGAMES: A Live Arena for Evaluating Social and Strategic Reasoning in Multi-Agent LLMs [54.81359054218573]
大規模言語モデル(LLM)のためのマルチゲームアリーナと評価プラットフォームであるMindgamesを紹介する。
Mindgamesは、統合されたインタラクションインターフェース、TrueSkillベースの評価、および4つのゲーム環境にわたる完全な軌跡ログを提供する。
我々は,決定論的オフライントーナメントプロトコルMG-Refとともに,ターンレベルの観察,アクション,報酬を含む29,571個のマルチエージェントゲームを分析した。
論文 参考訳（メタデータ） (2026-05-28T07:33:47Z) - ShriNep@EEUCA 2026: RAKSHAK - Multi-Task DeBERTa with Rationale Distillation and Jigsaw-Augmented Training for Toxic Intent Classification [0.0]
本稿では,世界タンクのチャット発話を6つの微粒な有害意図カテゴリーに分類する2つのシステムを提案する。
RakSHAKはQwen2.5-14B、Supervised Contrastive Loss、および専用のレアクラスのバイナリヘッドからの合理的蒸留を組み合わせたマルチタスクフレームワークである。
M1ファインチューン DeBERTa-v3-base オリジナルのGameToxデータに Focal Loss と、Jigsaw 転送なしで同じ100のエクストレミズムサンプルが組み込まれている。
論文 参考訳（メタデータ） (2026-05-14T10:40:27Z) - GAMBIT: A Three-Mode Benchmark for Adversarial Robustness in Multi-Agent LLM Collectives [48.545980031973556]
GAMBITは、インポスタ検出器を評価するための3つの評価モードと2つの独立したスコアを持つベンチマークである。
ベンチマークには、240の共進化型インポスタ戦略にまたがる27,804のラベル付きインスタンスのデータセットが付属している。
論文 参考訳（メタデータ） (2026-05-09T16:07:23Z) - PSK@EEUCA 2026: Fine-Tuning Large Language Models with Synthetic Data Augmentation for Multi-Class Toxicity Detection in Gaming Chat [0.0]
本稿では,ゲームコミュニティにおける有害行動理解のためのEEUCA 2026共有タスクについて述べる。
このタスクは、World of Tanksのチャットメッセージを、非毒性、侮辱/フラーミング、その他の攻撃、ヘイト/ハラスメント、脅威、過激主義の6つの毒性カテゴリに分類する。
本稿では,エンコーダベースモデル,LoRAファインチューニングによる命令調整 LLM ,階層分類,ワン・vs-rest 戦略,各種アンサンブル手法など,さまざまなアプローチについて検討する。
論文 参考訳（メタデータ） (2026-05-08T03:48:31Z) - The 1st Winner for 5th PVUW MeViS-Text Challenge: Strong MLLMs Meet SAM3 for Referring Video Object Segmentation [65.24213788883016]
本報告では,第5回PVUW MeViS-Text Challengeの優勝ソリューションについて述べる。
私たちは、強力なマルチモーダルな大規模言語モデルとSAM3を組み合わせた、完全にトレーニング不要なパイプラインを構築しています。
我々の手法はPVUW 2026 MeViS-Textテストセットで第1位であり、最終スコアは0.909064、J&Fスコアは0.7897026である。
論文 参考訳（メタデータ） (2026-04-01T02:42:30Z) - GemDetox at TextDetox CLEF 2025: Enhancing a Massively Multilingual Model for Text Detoxification on Low-resource Languages [32.22353317193898]
PAN 2025 Multilingual Text Detoxification Challengeについて述べる。
パラメータ効率のよいLoRA SFT微調整を施し、少数ショットやチェーン・オブ・サートのような技法を推し進める。
当社のシステムは、まず、高リソースおよび低リソース言語にランク付けする。
論文 参考訳（メタデータ） (2025-09-24T10:06:40Z) - 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) - TEDB System Description to a Shared Task on Euphemism Detection 2022 [0.0]
テキスト分類の最先端手法であるトランスフォーマーモデルについて検討した。
0.816 F1スコアの最良の結果は,特徴抽出器としてのエウヘミズム検出/TimeLMs予測RoBERTaモデルである。
論文 参考訳（メタデータ） (2023-01-16T20:37:56Z) - Overview of Abusive and Threatening Language Detection in Urdu at FIRE
2021 [50.591267188664666]
我々は、ウルドゥー語に対する虐待と脅しの2つの共通タスクを提示する。
本研究では, (i) 乱用と非乱用というラベル付きツイートを含む手動注釈付きデータセットと, (ii) 脅威と非脅威の2つを提示する。
両方のサブタスクに対して、m-Bertベースのトランスモデルは最高の性能を示した。
論文 参考訳（メタデータ） (2022-07-14T07:38:13Z)
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。