.png){kind=icon}
返回
Causality-Guided Data Augmentation for Cross-Platform Hate Speech Detection
.png){kind=icon}
PRE
AI
DOI：10.1111/exsy.70283.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代社交媒体平台赋予用户广泛分享意见的能力，但也助长了仇恨言论的传播。深度学习模型在特定领域数据上表现优异，但在应用于不同平台的内容时性能往往急剧下降。这一跨平台挑战需要能够跨领域泛化的方法。近期的研究尝试通过建模因果关系来应对这一挑战，旨在去除表面模式并聚焦于仇恨言论的真实驱动因素。然而，这些方法通常依赖人工定义的因果线索，这些线索难以获取且可能无法跨平台迁移。在本文中，我们提出了一种因果引导的数据增强（CDA）训练框架，该框架在不依赖预定义因果线索、目标标签或额外监督的情况下提升了跨平台鲁棒性。CDA的灵感来源于因果不变性，即跨环境稳定的关系比环境特定的相关性更可能泛化。具体而言，CDA通过受干预启发的掩码操作实现这一思想，该操作扰动高影响源域特征以减少捷径依赖，并鼓励模型发现跨平台迁移性更强的替代信号。在四个来自不同平台的真实世界仇恨言论数据集上的实验表明，CDA始终优于现有的跨平台检测方法，平均宏F1提升了约5%。这些结果凸显了CDA在实现更可靠、可扩展的跨平台仇恨言论检测方面的潜力。
Keyword:
causality
cross-platform
data augmentation
hate speech detection
期刊
IF:
2.3
论文数:
2.6K
被引数:
3.8K
机构
引用论文
Detecting sexism in social media: an empirical analysis of linguistic patterns and strategies.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
It's a Thin Line Between Love and Hate: Using the Echo in Modeling Dynamics of Racist Online Communities爱与恨之间只有一线之隔：利用回声效应模拟种族主义在线社区的动力
IF0
PREAI
分享收藏ToxiGen: A Large-Scale Machine-Generated Dataset for Adversarial and Implicit Hate Speech DetectionToxiGen: 用于对抗性和隐式仇恨言论检测的大规模机器生成数据集
OAAI
OAAI分享收藏
查看更多内容