論文の概要: An Explainable DistilBERT-BiLSTM-Attention Framework for Binary and Multi-Class Hate Speech Detection

• arxiv url: http://arxiv.org/abs/2609.28703v1
• Date: Wed, 23 Sep 2026 18:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.503458
• Title: An Explainable DistilBERT-BiLSTM-Attention Framework for Binary and Multi-Class Hate Speech Detection
• Title（参考訳）: バイナリおよびマルチクラスヘイト音声検出のための説明可能な DistilBERT-BiLSTM-Attention フレームワーク
• Abstract要約: ソーシャルメディア上でのヘイトスピーチは、社会的調和、精神的幸福、公衆安全に深刻なリスクをもたらす。 本研究では,マルチレベルかつ説明可能なヘイトスピーチ検出フレームワークを提案する。 バイナリとマルチクラスの両方の分類を用いて、2つのベンチマークデータセットで評価する。
• 参考スコア（独自算出の注目度）: 3.1798318618973362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hate speech on social media poses serious risks to social harmony, mental well-being, and public safety, making its timely and accurate detection essential for content moderation systems. Most existing studies focus on binary classification, evaluated their frameworks on a single dataset, and provide limited insight into how decisions are made, which limits their real-world applicability. In addition, limited work is done on the explainability of their predictive inference. To address these challenges, this study proposes a multilevel and explainable hate speech detection framework. The proposed model integrates DistilBERT (Distilled Bidirectional Encoder Representations from Transformers) embeddings with a Bi-LSTM (Bidirectional Long Short-Term Memory) model, and an attention mechanism to capture both contextual meaning and sequential dependencies in text. To enhance trust and transparency, LIME (Local Interpretable Model-agnostic Explanations) is employed to explain model predictions by highlighting influential textual features. The framework is evaluated on two benchmark datasets using both binary and multi-class classification to examine robustness and generalization. In addition, an ablation study is presented to highlight the significance of various components of proposed framework. For binary classification, the proposed model achieves F1-scores of 96.78% on the Davidson dataset and 99.53% on the SMHS dataset. In the multi-class setting, it attains F1-scores of 97.00% and 94.99% on the Davidson and SMHS datasets, respectively, outperforming existing baseline approaches. The results demonstrate that multilevel evaluation improves the reliability that the proposed framework effectively balances performance and efficiency. This makes the framework suitable for practical hate speech moderation systems that require accurate, generalizable, and explainable decisions.
• Abstract（参考訳）: ソーシャルメディア上でのヘイトスピーチは、社会的調和、精神的幸福、公衆安全に深刻なリスクをもたらし、コンテンツモデレーションシステムにタイムリーかつ正確な検出が不可欠である。 既存の研究はバイナリ分類に重点を置いており、フレームワークを単一のデータセットで評価し、意思決定の方法に関する限られた洞察を提供し、実際の適用性を制限する。 さらに、予測的推論の説明可能性についても限定的な研究がなされている。 これらの課題に対処するために,マルチレベルかつ説明可能なヘイトスピーチ検出フレームワークを提案する。 提案モデルでは,DitilBERT (Distilled Bidirectional Encoder Representations from Transformers) 埋め込みをBi-LSTM (Bidirectional Long Short-Term Memory) モデルと統合し,テキスト中の文脈的意味と逐次的依存関係の両方をキャプチャするアテンションメカニズムを提案する。 信頼と透明性を高めるために、LIME (Local Interpretable Model-Agnostic Explanations) を用いて、影響力のあるテキストの特徴を強調してモデル予測を説明する。 このフレームワークは、二項分類と多クラス分類の両方を用いて、2つのベンチマークデータセットで評価され、ロバストネスと一般化について検討する。 さらに,提案フレームワークの様々な構成要素の意義を明らかにするために,アブレーション研究を行った。 バイナリ分類では、提案されたモデルがダビッドソンデータセットで96.78%、SMHSデータセットで99.53%のF1スコアを達成した。 マルチクラス設定では、デービッドソンとSMHSのデータセットでそれぞれ97.00%と94.99%のF1スコアを獲得し、既存のベースラインのアプローチを上回っている。 その結果,マルチレベル評価により,提案フレームワークが性能と効率を効果的にバランスする信頼性が向上することが示された。 これにより、正確な、一般化可能な、説明可能な決定を必要とする実践的なヘイトスピーチモデレーションシステムに適したフレームワークとなる。

関連論文リスト

• Human-Guided Reasoning with Large Language Models for Vietnamese Speech Emotion Recognition [1.744935381873858]
  本稿では,人間の知識を学習プロセスに統合する人間と機械の協調的な枠組みを提案する。 簡単なサンプルとあいまいなサンプルを区別するために、信頼に基づくルーティング機構が導入された。 ベトナム語の音声データセットを用いて、3つの感情クラスにわたる2,764のサンプルを実験した。
  論文  参考訳（メタデータ） (2026-04-02T07:24:14Z)
• DecepGPT: Schema-Driven Deception Detection with Multicultural Datasets and Robust Multimodal Learning [64.33887406863899]
  マルチモーダル偽装検出は、法医学とセキュリティのための聴覚的手がかりを解析することにより、偽装行動を特定することを目的としている。 既存のベンチマークでは、中間的な推論手段を使わずにバイナリラベルのみを提供する。 構造的キューレベルの記述と推論チェーンを用いた推論データセットを構築した。 1695年のサンプルでは、非実験的偽装検出データセットとしては最大である。
  論文  参考訳（メタデータ） (2026-03-25T04:06:36Z)
• When in Doubt, Deliberate: Confidence-Based Routing to Expert Debate for Sexism Detection [7.299050989302629]
  我々は,(i)低表現,(ii)雑音,(iii)データおよびモデル予測における概念的あいまいさの複合効果に対処する枠組みを提案する。 提案手法では,タスク EXIST 2025 タスク 1.1 では F1 が +2.72% 改善され,EDOS A と B では +4.48% と +1.30% が得られた。
  論文  参考訳（メタデータ） (2025-12-21T05:48:57Z)
• Advancing Text Classification with Large Language Models and Neural Attention Mechanisms [11.31737492247233]
  このフレームワークには、テキストエンコーディング、コンテキスト表現モデリング、注意に基づく拡張、分類予測が含まれる。 その結果,提案手法はすべての指標において既存モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-12-10T09:18:41Z)
• Vision Large Language Models Are Good Noise Handlers in Engagement Analysis [54.397912827957164]
  本稿では,VLM(Vision Large Language Models)を利用したアノテーションの洗練とトレーニングプロセスの指導を行うフレームワークを提案する。 本フレームワークでは,行動手がかりを抽出し,データを高信頼性サブセットと低信頼性サブセットに分割する。 改良された高信頼性サブセットで訓練された古典型コンピュータビジョンモデルは,カリキュラム戦略により強化され,改善されたことを示す。
  論文  参考訳（メタデータ） (2025-11-18T18:50:26Z)
• Misinformation Detection using Large Language Models with Explainability [3.3206346066275363]
  本稿では、トランスフォーマーベース事前学習言語モデル(PLM)を用いて誤情報を検出するための説明可能かつ計算効率の良いパイプラインを示す。 まず、バックボーンを凍結し、分類ヘッドのみを訓練し、次に、レイヤワイズ学習率の減衰を適用しながら、バックボーン層を徐々に凍結させます。 その結果, PLMと原理的微調整と解釈可能性の組み合わせは, スケーラブルで信頼性の高い誤情報検出に有効な枠組みであることが示唆された。
  論文  参考訳（メタデータ） (2025-10-21T06:56:45Z)
• DEUCE: Dual-diversity Enhancement and Uncertainty-awareness for Cold-start Active Learning [54.35107462768146]
  コールドスタートアクティブラーニング(CSAL)は、手動アノテーションのためのラベルなしデータセットから貴重なインスタンスを選択する。 既存のCSAL手法は、弱いクラスと強い代表例を見落とし、バイアス学習をもたらす。 本稿ではCSALのための新しい二変量拡張および不確実性認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-01T04:00:03Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)
• Proposal Learning for Semi-Supervised Object Detection [76.83284279733722]
  地上の真理ラベルが利用できないため、ラベルのないデータで物体検出器を訓練するのは簡単ではない。 ラベル付きデータとラベルなしデータの両方から提案特徴と予測を学習するための提案学習手法を提案する。
  論文  参考訳（メタデータ） (2020-01-15T00:06:59Z)

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。