CLaC at DISRPT 2025: 基于层次化适配器的跨框架多语言语篇关系分类
计算与语言
2025-09-23 v1
摘要
我们提交了 DISRPT 2025 共享任务 Task 3（语篇关系分类）的作品。Task 3 引入了覆盖 16 种语言、39 个语料库及 6 种语篇框架的 17 种统一语篇关系标签，带来了显著的多语言和跨形式主义挑战。我们首先通过对 mBERT、XLM-RoBERTa-Base 和 XLM-RoBERTa-Large 进行微调，并采用两种参数排序策略和渐进解冻比例，建立了强基准。随后我们评估了基于提示的大语言模型（如 Claude Opus 4.0）在零-shot 和 few-shot 设置下的表现，以理解 LLM 对新提出的统一标签的响应方式。最后，我们引入了 HiDAC，即层次化双适配器对比学习模型。结果表明，虽然更大的 transformer 模型取得更高准确率，但提升有限；而解冻前 75% 的编码器层即可达到与完全微调相当的性能，同时训练参数更少。基于提示的模型显著落后于微调的 transformer，而 HiDAC 实现了最高的总体准确率（67.5%），且比完全微调更高效。
引用
@article{arxiv.2509.16903,
title = {CLaC at DISRPT 2025: Hierarchical Adapters for Cross-Framework Multi-lingual Discourse Relation Classification},
author = {Nawar Turk and Daniele Comitogianni and Leila Kosseim},
journal= {arXiv preprint arXiv:2509.16903},
year = {2025}
}