論文の概要: In-game Toxic Detection: Bi-directional Representations with Attention Residuals

• arxiv url: http://arxiv.org/abs/2609.34584v1
• Date: Mon, 28 Sep 2026 08:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:14:32.05797
• Title: In-game Toxic Detection: Bi-directional Representations with Attention Residuals
• Title（参考訳）: ゲーム内トキシック検出:注意残差による双方向表現
• Abstract要約: 本稿では,ゲーム内チャットデータに基づくゲーム内有害言語検出のための共有タスクを提案する。 有毒な言語スロット充填のための最良の予測モデルを提案する: 意図的残留を伴う双方向表現(BRAR)
• 参考スコア（独自算出の注目度）: 0.913755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-game toxic language has emerged as a critical concern in the gaming industry and community. While several frameworks and models for online game toxicity analysis have been proposed, detecting toxicity in player chat utterances remains a formidable challenge: stemming not only from the extremely short length of such utterances but also from the heavy reliance on game slang, abbreviations, and domain-specific jargon, which generic language models are poorly suited to recognize. This paper presents a shared task for in-game toxic language detection built upon real-world in-game chat data, and proposes the best-preforming model for the toxic language slot filling: Bi-directional Representations with Attention Residuals (BRAR). Experimental results demonstrate that BRAR effectively captures the global context and outperforms the existing baselines on slot filling.
• Abstract（参考訳）: ゲーム業界やコミュニティにとって、ゲーム内で有害な言語が重要な関心事となっている。 オンラインゲーム毒性分析のためのフレームワークやモデルがいくつか提案されているが、プレイヤーチャット発話における毒性の検出は、そのような発話の極端に短い時間だけでなく、ゲームスラング、略語、ドメイン固有のジャーゴンに大きく依存していることからも、非常に難しい課題である。 本稿では,実世界のゲーム内チャットデータ上に構築されたゲーム内有害言語検出のための共有タスクを提案する。 実験の結果,BRARはグローバルコンテキストを効果的に捉え,スロットフィリングにおける既存のベースラインよりも優れていた。

関連論文リスト

• New Terms, New Toxicity: Consensus-based Chinese Neologism Toxicity Detection via Search-Augmented LLMs [61.05946028419921]
  ネオロジズムを介して発現する暗黙の毒性を検出する方法について検討する。 毒性新生学の起源とコンセンサス検証基準を把握した分類法を提案する。 本稿では,静的な大規模言語モデルにリアルタイムなWebコンテキストを組み込むためのフレームワークであるSeToxを紹介する。
  論文  参考訳（メタデータ） (2026-07-05T03:12:32Z)
• Fine-Tuning Pre-trained Language Models to Detect In-Game Trash Talks [0.0]
  本研究は,ゲーム内チャットにおける有害性の検出において,事前学習したBERTおよびGPT言語モデルの性能を評価し,評価する。 この研究は、BERT(Base-uncased)、BERT(Large-uncased)、GPT-3モデルのトレーニングとテストのために、約2万のゲーム内チャットを収集することができた。
  論文  参考訳（メタデータ） (2024-03-19T11:36:53Z)
• Comprehensive Assessment of Toxicity in ChatGPT [49.71090497696024]
  本研究は,ChatGPTの毒性を指導調整データセットを用いて評価する。 創作作業のプロンプトは 有害な反応を 引き起こす確率が 2倍になる 初期の研究で設計された、故意に有害なプロンプトは、もはや有害な反応を生じさせない。
  論文  参考訳（メタデータ） (2023-11-03T14:37:53Z)
• In-game Toxic Language Detection: Shared Task and Attention Residuals [10.670973882076797]
  ゲーム内での有害な言語は、ゲーム産業やコミュニティにおいてホットポテトとなっている。 ゲーム内チャットの性質が極めて短いため,毒性を検出することは依然として困難である。 本稿では,実際のゲーム内チャットデータを用いて,ゲーム内有害言語共有タスクの確立について述べる。
  論文  参考訳（メタデータ） (2022-11-11T04:33:45Z)
• A New Generation of Perspective API: Efficient Multilingual Character-level Transformers [66.9176610388952]
  Google JigsawのAspective APIの次期バージョンの基礎を提示する。 このアプローチの中心は、単一の多言語トークンフリーなCharformerモデルである。 静的な語彙を強制することで、さまざまな設定で柔軟性が得られます。
  論文  参考訳（メタデータ） (2022-02-22T20:55:31Z)
• Mitigating Biases in Toxic Language Detection through Invariant Rationalization [70.36701068616367]
  性別、人種、方言などの属性に対するバイアスは、毒性検出のためのほとんどのトレーニングデータセットに存在する。 本稿では,論理生成器と予測器から構成されるゲーム理論フレームワークである不変合理化(InvRat)を用いて,特定の構文パターンの素早い相関を除外することを提案する。 本手法は, 語彙属性と方言属性の両方において, 従来のデバイアス法よりも低い偽陽性率を示す。
  論文  参考訳（メタデータ） (2021-06-14T08:49:52Z)
• CONDA: a CONtextual Dual-Annotated dataset for in-game toxicity understanding and detection [1.6085428542036968]
  CONDAは,ゲーム内有害言語検出のための新しいデータセットである。 データセットは、1.9Kの完了したDota 2マッチのチャットログから12Kの会話から45Kの発話で構成されている。 ゲーム内毒性分析は、発話、トークン、二重レベルにおけるコンテキストの包括的理解を提供する。
  論文  参考訳（メタデータ） (2021-06-11T07:42:12Z)
• Challenges in Automated Debiasing for Toxic Language Detection [81.04406231100323]
  バイアスド・アソシエーションは、有害な言語を検出するための分類器の開発において課題となっている。 我々は最近,有害な言語検出に適用されたテキスト分類データセットとモデルに対するデバイアス法について検討した。 我々の焦点は語彙(例えば、誓い言葉、スラー、アイデンティティの言及)と方言マーカー(特にアフリカ系アメリカ人の英語)である。
  論文  参考訳（メタデータ） (2021-01-29T22:03:17Z)
• RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models [93.151822563361]
  事前訓練されたニューラルネットワークモデル(LM)は、安全なデプロイメントを妨げる人種差別的、性差別的、その他の有害な言語を生成する傾向にある。 本研究では, 予め訓練したLMが有害な言語を生成できる範囲と, 有害な変性を防止するための制御可能なテキスト生成アルゴリズムの有効性について検討する。
  論文  参考訳（メタデータ） (2020-09-24T03:17:19Z)

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。