論文の概要: SZED at ArGuard Shared Tasks: Multi-Task Label-Attention and Cross-Modal Fusion for Arabic Hateful Meme Detection

• arxiv url: http://arxiv.org/abs/2610.26972v1
• Date: Sun, 18 Oct 2026 18:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.411741
• Title: SZED at ArGuard Shared Tasks: Multi-Task Label-Attention and Cross-Modal Fusion for Arabic Hateful Meme Detection
• Title（参考訳）: SZED at ArGuard Shared Tasks: Multi-Task Label-Attention and Cross-Modal Fusion for Arabic Hateful Meme Detection (英語)
• Abstract要約: 我々は、SZEDによるArGuard 2026 Track A: Arabic hateful meme detectionを提示する。 タスクにはバイナリ分類(A1)と微粒なマルチラベルタグ(A2)の2つの部分がある。 A1では、MARBERTv2とCLIP ViT-L/14の埋め込みを融合させ、結合、自己保持、アンサンブルヘッドを比較する。 A2では、クラスごとのクエリベクトルとカスケード校正のための補助ヘッドを備えたマルチタスクラベルアテンションアーキテクチャを用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SZED's submission to ArGuard 2026 Track A: Arabic hateful meme detection. The task has two parts: binary classification (A1) and fine-grained multi-label tagging (A2). For A1, we fuse MARBERTv2 and CLIP ViT-L/14 embeddings, comparing concatenation, self-attention, and ensemble heads. For A2, we use a multi-task label-attention architecture with per-class query vectors and an auxiliary head for cascade calibration. We reach macro-F1 = 0.7597 on A1 and 0.3142 on A2 (averaged over 10 active classes). We report reproducibility across runs, per-class error patterns, and the effect of cascade calibration on the long-tailed A2 label space.
• Abstract（参考訳）: 我々は、SZEDによるArGuard 2026 Track A: Arabic hateful meme detectionを提示する。 このタスクにはバイナリ分類(A1)と細粒度マルチラベルタグ(A2)の2つの部分がある。 A1では、MARBERTv2とCLIP ViT-L/14の埋め込みを融合させ、結合、自己保持、アンサンブルヘッドを比較する。 A2では、クラスごとのクエリベクトルとカスケード校正のための補助ヘッドを備えたマルチタスクラベルアテンションアーキテクチャを用いる。 A1のマクロF1 = 0.7597、A2の0.3142(平均10以上のアクティブクラス)に達する。 ラン,クラスごとのエラーパターン,カスケードキャリブレーションが長いA2ラベル空間に与える影響について報告する。

関連論文リスト

• ArGuard Shared Task: Harmful Content Detection in Arabic Memes and LLM Prompts [9.56406413179697]
  ArGuardは、アラビアのミームとLLMプロンプトにおける有害なコンテンツ検出の共有タスクである。 計58チームが登録され、35人が最終評価に参加し、27人がシステム記述書を提出した。 最も優れたシステムはA1で0.823点、A2で0.419点、B1で0.984点、B2で0.790点である。
  論文  参考訳（メタデータ） (2026-09-24T10:22:59Z)
• Aligned Consensus Teaching for Label-Efficient Oriented Object Detection in Weakly-Aligned Visible-Infrared Imagery [69.65321798954088]
  Visible-Infrared Object Detection (VIOD)は、対の可視画像と赤外線画像から、向き付けられたバウンディングボックスを持つ物体を検出する。 本研究では, ラベル効率の高いVIODのためのアラインド・コンセンサス・インスツルメンツ(ACT)を提案する。 コードとモデルはGitHubで公開され、今後の作業が容易になる。
  論文  参考訳（メタデータ） (2026-09-16T04:59:37Z)
• Pilot: Building the Federated Multimodal Instruction Tuning Framework [79.56362403673354]
  本フレームワークは、視覚エンコーダとLCMのコネクタに「アダプタのアダプタ」の2つの段階を統合する。 ステージ1では視覚情報からタスク固有の特徴とクライアント固有の特徴を抽出する。 ステージ2では、クロスタスクインタラクションを実行するために、クロスタスクMixture-of-Adapters(CT-MoA)モジュールを構築します。
  論文  参考訳（メタデータ） (2025-01-23T07:49:24Z)
• MaLei at the PLABA Track of TREC 2024: RoBERTa for Term Replacement -- LLaMA3.1 and GPT-4o for Complete Abstract Adaptation [11.380751114611368]
  本報告は,バイオメディカル・コンストラクト(PLABA)2024の共有タスクであるPlain Language Adaptation of Biomedical Abstracts(PLABA)に関するMaLeiチームのシステム記述である。 課題1(長期的置換)では, バイオメディカル抽象化における難解な用語, ジャーゴン, 頭字語を識別・分類するために, 微調整されたReBERTa-Baseモデルを適用した。 第2タスク(完全な抽象的適応)では、Llamma3.1-70B-InstructとGPT-4oをワンショットプロンプトで処理し、BLEU, SARI, BERTScore, LENS, SALSAでスコアを報告した。
  論文  参考訳（メタデータ） (2024-11-11T21:32:06Z)
• Measuring Annotator Agreement Generally across Complex Structured, Multi-object, and Free-text Annotation Tasks [79.24863171717972]
  品質保証のための重要な指標は、IAA(Inter-annotator Agreement)である。 単純な分類的および順序的なラベリングタスクには対策があるが、より複雑なラベリングタスクを考える作業はほとんどない。 クリッペンドルフのαは、より単純なラベリングタスクでよく用いられるが、より広い適用性を持つ距離ベースの定式化を持つ。
  論文  参考訳（メタデータ） (2022-12-15T20:12:48Z)
• MultiGuard: Provably Robust Multi-label Classification against Adversarial Examples [67.0982378001551]
  MultiGuardは、マルチラベル分類に対する敵の例に対する証明可能な堅牢な防御である。 我々の主要な理論的貢献は、入力の基底真理ラベルの数が、MultiGuardによって予測されるラベルのセットで証明可能であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T17:50:57Z)
• UniRE: A Unified Label Space for Entity Relation Extraction [67.53850477281058]
  合同エンティティ関係抽出モデルでは、2つのサブタスクに対して2つの分離ラベル空間を設定する。 この設定は、エンティティとリレーション間の情報相互作用を妨げる可能性があると我々は主張する。 本研究では,2つのサブタスクのラベル空間における異なる処理を除去することを提案する。
  論文  参考訳（メタデータ） (2021-07-09T08:09:37Z)
• Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning [6.1538971100140145]
  ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。 本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-06T12:26:14Z)
• Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
  我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。 タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
  論文  参考訳（メタデータ） (2020-07-16T15:07:14Z)
• UKARA 1.0 Challenge Track 1: Automatic Short-Answer Scoring in Bahasa Indonesia [0.0]
  自動エッセイ評価におけるUKARA 1.0チャレンジの3位となるソリューションについて述べる。 このタスクは、2つのデータセットのバイナリ分類問題と、2つの異なる質問からの回答から構成される。 最終的に、2つのデータセットに2つの異なるモデルを使用しました。
  論文  参考訳（メタデータ） (2020-02-28T04:32:16Z)

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。