論文の概要: Reasoning for Propaganda Detection via Label-Guided CoT Optimisation
- arxiv url: http://arxiv.org/abs/2610.17271v1
- Date: Mon, 12 Oct 2026 18:25:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.440256
- Title: Reasoning for Propaganda Detection via Label-Guided CoT Optimisation
- Title（参考訳）: ラベル誘導CoT最適化によるプロパガンダ検出のための推論
- Abstract要約: 本稿では,説得的手法の定義手順をキャプチャする推論条件検出フレームワークReCoTを紹介する。
INDI-PROPspanでは、ReCoTは0.364のマクロFLCSを達成し、ベースラインを超え、Avg FLCS上のSFT上界の88%に達する。
PTCでは、ReCoTはAvg FLCS上のSFT上界の85%に達し、解釈可能なままこのギャップの大部分を閉じる。
- 参考スコア（独自算出の注目度）: 12.931503615454789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Propaganda detection systems usually operate as black boxes, lacking explanations. To address this, we hypothesise that persuasive techniques contain definitional characteristics with respect to their social-political setting. We introduce ReCoT, a reasoning-conditioned detection framework that captures definitional cues of persuasive techniques via population-level refinement and performance-guided resampling, without requiring additional explanation annotations. On INDI-PROPspan, ReCoT achieves a macro F1_LCS of 0.364, surpassing baselines and reaching 88% of the SFT upper bound on Avg F1_LCS. Similarly, on PTC, ReCoT reaches 85% of the SFT upper bound on Avg F1_LCS, closing much of this gap while remaining interpretable. Importantly, the analysis of the reasoning pool's convergence and update pattern for ReCoT shows effective refinement of reasoning CoTs.
- Abstract（参考訳）: プロパガンダ検出システムは通常ブラックボックスとして動作し、説明がない。
これを解決するために, 説得的手法は, 社会的・政治的設定に関して, 定義的特徴を含むと仮定する。
ReCoTは,集団レベルの改良と性能誘導型再サンプリングによって,追加の説明アノテーションを必要とせず,説得的手法の定義手順をキャプチャする,推論条件付き検出フレームワークである。
INDI-PROPspanでは、ReCoTは0.364のマクロF1_LCSを達成し、ベースラインを超え、Avg F1_LCS上のSFT上界の88%に達する。
同様に、PTCでは、ReCoTはAvg F1_LCS上のSFT上界の85%に達し、解釈可能なままこのギャップの大部分を閉じる。
重要なことは、ReCoTに対する推論プールの収束と更新パターンの解析は、推論CoTを効果的に洗練することを示している。
関連論文リスト
- Towards Efficient Large Language Reasoning Models via Extreme-Ratio Chain-of-Thought Compression [55.63153956934198]
Chain-of-Thought (CoT)推論はLarge Language Models (LLMs)の推論能力をうまく向上させる
既存のCoT圧縮法は、しばしば高い圧縮比で論理的忠実度が著しく低下する。
本稿では,Extra-CoTと呼ばれる新しいEXTreme-RAtio Chain-of-Thought Compressionフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-09T06:57:15Z) - Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。
我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
論文 参考訳（メタデータ） (2026-01-30T13:12:12Z) - CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。
タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。
我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
論文 参考訳（メタデータ） (2025-11-01T04:37:01Z) - RaCoT: Plug-and-Play Contrastive Example Generation Mechanism for Enhanced LLM Reasoning Reliability [12.67288560758937]
本稿では,RaCoT(Retrieval-aware Contrastive-of-Thought)を提案する。
RaCoTは、解答の発散を決定する重要な詳細に積極的に焦点を合わせるようモデルに誘導する。
論文 参考訳（メタデータ） (2025-10-26T15:06:44Z) - SIM-CoT: Supervised Implicit Chain-of-Thought [108.30049193668083]
Implicit Chain-of-Thought(CoT)メソッドは、大規模言語モデルにおける明示的なCoT推論に代わるトークン効率の代替手段を提供する。
暗黙的なCoTの計算予算をスケールする際の中核的な不安定性問題を特定する。
そこで我々はSIM-CoTを提案する。SIM-CoTは,遅延推論空間を安定化・拡張するためのステップレベルの監視を実現するモジュールである。
論文 参考訳（メタデータ） (2025-09-24T17:01:32Z) - Point-RFT: Improving Multimodal Reasoning with Visually Grounded Reinforcement Finetuning [122.81815833343026]
我々は、視覚的文書理解のために、視覚的に基底付けられたCoT推論を利用するように設計されたマルチモーダル推論フレームワークであるPoint-RFTを紹介した。
提案手法は2つの段階から構成される: まず、71Kの多様な視覚的推論問題からなるキュレートされたデータセットを用いてフォーマットの微調整を行い、それぞれが対応する視覚的要素に明示的に基づいた詳細なステップ・バイ・ステップの合理性でアノテートする。
ChartQAでは,テキストベースCoTのみに依存した強化微調整による精度83.92%を超え,精度を70.88%(言語微細化ベースライン)から90.04%に向上させる。
論文 参考訳（メタデータ） (2025-05-26T08:54:14Z)
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。