Mar, 2023

Hitachi 团队在 SemEval-2023 任务 3 中：探索跨语言多任务策略用于在线新闻体裁和框架检测

PDF
TL;DR本文介绍了 Team Hitachi 参与 SemEval-2023 任务 3“检测多语言环境下在线新闻中的流派、框架和说服技巧” 的经验。通过多项实验，作者发现跨语言 / 多任务训练与收集外部平衡数据集有益于流派和框架检测，并构建集成模型在检测意大利语和俄语流派分类子任务方面实现了最高的宏平均 F1 分数。
semeval-2023online newspersuasion techniquespretrained language modelscross-lingual training
发现论文，激发创造
  • QCRI 参加 SemEval-2023 任务 3：使用多语言模型检测新闻体裁、框架和说服技巧

    此研究旨在解决在线新闻传播中存在的虚假信息扩散的问题，使用 SemEval-2023 Task 3 来分析和验证新闻文章中的写作技巧，以影响读者的观点，研究结果表明我们的系统在 27 个测试中位列前三。

    May, 2023

  • SemEval-2023 任务 3 的英国谢菲尔德 VeraAI 团队：新闻体裁、主题和说服技巧分类的单语和多语方法

    研究使用多语言集成模型，针对 SemEval-2023 任务 3：在在线新闻中检测类别、框架和说服技巧。在三个子任务中，使用 RoBERTa 和 mBERT 等方法，分别在不同语言中获得前几名的结果。

    Mar, 2023

  • QUST 参赛队在 SemEval-2023 任务三中：检测在线新闻体裁、框架和说服技巧的单语和多语方法的综合研究

    这篇文章讲述了 QUST 团队参与 SemEval2023 任务 3 的情况，使用多语言模型并结合类权重和样本权重进行 fine-tuning，采用任务不相关和任务相关的两种微调策略，在 10 倍交叉验证下，多语言方法表现优于单语言方法，在子任务 1 的意大利语和西班牙语（零 - shot）方面取得第二名。

    Apr, 2023

  • SemEval-2023 论文集中的 MarsEclipse: 对比学习辅助的多语言多标签框架检测

    该研究使用多标签对比损失在多语言环境下对大型预训练语言模型进行微调，在 SemEval-2023 任务 3 子任务 2 的 Framing Detection 中表现竞争力十分强劲。

    Apr, 2023

  • KInITVeraAI 在 SemEval-2023 任务 3 中的表现：简单而强大的多语言微调用于说服技巧检测

    本文提出了在 SemEval 2023 任务 3 的子任务 3 中检测说服技巧的最佳解决方案，主要是通过细调预训练的基于 Transformer 的语言模型来处理多语言输入数据和多个预测标签，该方案使用大型的跨语言模型（XLM-RoBERTa 大型模型）在所有输入数据上联合训练，而且针对已知语言和未知语言分别设置合理的置信度阈值，最终在 9 种语言中的 6 种语言上（包括两个未知语言）表现最优秀并取得了高度竞争的结果。

    Apr, 2023

  • SemEval-2023 任务 3 的 mCPT：面向多语言标签感知的对比学习 Transformer 进行少量和零样本框架检测

    该论文介绍了零样本学习下多语种多标签框架检测任务的获胜系统，其采用多语种 Transformers 进行预训练，并使用有标签的对比损失函数。此外，作者进行了嵌入空间分析和消融研究，证明了他们的预训练程序如何支持框架检测，推动了计算框架分析的发展。

    Mar, 2023

  • MaiNLP 在 SemEval-2024 任务 1 中的表现：跨语言文本相关性中的源语言选择分析

    本文介绍了我们为 SemEval-2024 任务 1 所开发的系统：语义文本相关性（STR），在 Track C：跨语言下。该任务的目标是在没有直接监督（即零 - shot 跨语言转移）的情况下，检测给定目标语言中两个句子的语义相关性。为此，我们关注两个不同预训练语言模型：XLM-R 和 Furina 上的不同源语言选择策略。我们通过以下实验：1）单源转移并基于类型学相似性选择源语言，2）用两个最近邻源语言扩充英语训练数据，以及 3）多源转移，我们将所有训练语言与同一语系的语言进行比较。我们还研究了基于机器翻译的数据增强和脚本差异的影响。我们的提交在 C8（Kinyarwanda）测试集中取得了第一名。

    Apr, 2024

  • 2023 SemEval 任务 3 中的 NAP：少即是多吗？(回) 译作为检测说服技巧的数据增强策略

    使用多语言转换器模型的数据扩充策略，探索向新闻中添加说服技巧的自动检测，应用于少量训练数据的情景下，有效提高系统性能，同时平衡人类和机器生成的数据对系统性能进行优化。

    Apr, 2023

  • 使用变形金刚和多任务学习识别混合代码社交媒体文本中的情感 - 在 SemEval-2020 任务 9 中的 UPB

    本篇论文描述了研究团队为 SemEval-2020 Task 9 开发的两个系统，用于涵盖印地语 - 英语和西班牙语 - 英语这两种混合语言。通过介绍利用多种神经网络方法和预训练的单词嵌入的解决方案，我们提出的多语言 BERT 方法在印地语 - 英语任务中取得了有前途的表现，平均 F1 得分为 0.6850，对于西班牙语 - 英语任务，我们使用另一种基于 Transformer 的多语言模型 XLM-RoBERTa 获得了平均 F1 得分为 0.7064，排名团队第 17 位 (29 个参赛者中).

    Sep, 2020

  • KInIT 参加 SemEval-2024 任务 8：用于多语言机器生成文本检测的细调 LLMs

    SemEval-2024 任务 8 专注于多产生器、多领域和多语言黑盒机器生成文本检测，并应用语言识别和参数高效微调小型 LLM 进行文本分类，通过每种语言分类阈值校准将微调模型预测与统计检测指标相结合，提高系统检测性能的泛化能力，我们的方案取得了竞争力的结果，在第四名，仅比冠军低 1 个百分点。

    Feb, 2024