对抗数据稀缺下隐式仇恨语音分类中的高方差

仇恨语音分类一直是自然语言处理中的长期问题。然而，尽管存在众多仇恨语音检测方法，它们通常因仇恨陈述本质上的隐式性而忽略大量此类语句。构建用于辅助隐式仇恨语音分类任务的数据集有其自身挑战：语言中的细微差别、对何为仇恨语音的定义不一，以及标注此类数据的劳动密集型过程。这导致可用于训练和测试此类系统的数据稀缺，当使用参数繁重的基于transformer的模型来解决该问题时，会引发高方差问题。在本文中，我们探索多种优化与正则化技术，并开发了一种新颖的基于RoBERTa的模型，取得了最先进的性能。