Oct, 2020

加强有毒言论检测器以抵御隐晦的有毒言论

TL;DR针对现代有毒言语检测器在辨识出具有隐蔽性的攻击语言(如故意避开已知有毒词汇表的对抗性攻击或内在偏见的表现)方面的无能,本文提出了一种框架,该框架旨在强化现有的有毒言语检测器,同时又不需要进行大规模的隐蔽性毒性标注语料库训练。只需用极少量的探测示例就可以揭示出更多隐蔽性攻击言辞,然后将这些发现的攻击性示例用于增强有毒言语检测器的训练数据,从而使其在保留检测显性毒性的效用的同时更加鲁棒。