Компьютерная наука > Расчет и язык [представлен 13 октября 2026 года] Название: Деномитация и прогнозирование различий во вредоносных контентах на разных языках HTML (экспериментальный) Резюме: Разногласия между аннулаторами все чаще признаются в качестве значимого свойства субъективных задач, а не просто как шум для удаления. Предсказание того, какие предметы могут быть оспорены, могло бы помочь в распределении усилий по аннотациям и передаче сложных дел на рассмотрение человека. Мы предлагаем предвосхищать разногласия из интерпретируемых семантических свойств текста. LLM отвечает на ряд двоичных вопросов, охватывающих вредные свойства содержания, связанные с разногласиями сигналы, такие как пограничная строгость и недостающий контекст, а также языковые сигналы, например местные непристойности. Классификатор предсказывает разногласия из этих ответов, и мы анализируем, какие вопросы больше всего влияют на прогнозы. В четырёх наборах данных на английском, немецком и турецком языках и в трех открытых МЛМ наши структурированные функции являются более эффективными, чем непосредственный импульс 10,5 точек ROC-AUC, а самые сильные текстовые исходные значения - 5.0 пунктов. В пределах 1,5 точек ROC-AUC из всего набора вопросов, состоящего из восьми вопросов. При оценке системы " один-один-датаст &qt; модели сохраняют примерно 90 - 95% своего внутреннего ROC-AUC. В рамках моделей и наборов данных вопросы об отступлениях, недостающем контексте и границах принятия решений служат…
Разложение и прогнозирование различий в вредном содержании на всех языках
arXiv: 261 010.18588v 1 Анонс Тип: новое резюме: разногласие аннотатора все чаще признается в качестве значимого свойства субъективных задач, а не просто звука, который следует устранить. Предсказание того, какие предметы могут быть оспорены, могло бы помочь в распределении усилий по аннотациям и передаче сложных дел на рассмотрение человека. Мы предлагаем предвосхищать разногласия из интерпретируемых семантических свойств текста. LLM отвечает на ряд двоичных вопросов, охватывающих вредные свойства содержания, связанные с разногласиями сигналы, такие как пограничная строгость и недостающий контекст, а также языковые сигналы, например местные непристойности. Классификатор предсказывает разногласия из этих ответов, и мы анализируем, какие вопросы больше всего влияют на прогнозы. В четырёх наборах данных на английском, немецком и турецком языках и в трех открытых МЛМ наши структурированные функции являются более эффективными, чем непосредственный импульс 10,5 точек ROC-AUC, а самые сильные текстовые исходные значения - 5.0 пунктов. Компактная подгруппа из восьми вопросов исполняется с i
