Mavericks团队在ArAIEval共享任务中的工作：迈向更安全的数字空间——Transformer集成模型应对欺骗与说服
计算与语言
2023-12-01 v1
摘要
在本文中，我们重点介绍了我们针对“阿拉伯语AI任务评估（ArAIEval）2023共享任务”的方法。我们提出了针对该共享任务中任务1-A与任务2-A的方法，分别聚焦于说服技术检测与虚假信息检测。检测说服技术与虚假信息对于避免真实信息被扭曲已变得至关重要。这些任务使用来自推文和新闻文章的多体裁片段进行给定的二分类问题。我们尝试了若干基于阿拉伯语预训练的Transformer模型，并在提供的数据集上对这些最先进的模型进行微调。采用集成方法以提升系统性能。我们在任务1-A上取得了0.742的微观F1分数（排行榜第8名），在任务2-A上取得了0.901的微观F1分数（排行榜第7名）。
引用
@article{arxiv.2311.18730,
title = {Mavericks at ArAIEval Shared Task: Towards a Safer Digital Space -- Transformer Ensemble Models Tackling Deception and Persuasion},
author = {Sudeep Mangalvedhekar and Kshitij Deshpande and Yash Patwardhan and Vedant Deshpande and Ravindra Murumkar},
journal= {arXiv preprint arXiv:2311.18730},
year = {2023}
}
备注
6 pages, 1 figure, accepted at the ArAIEval ArabicNLP workshop, EMNLP conference 2023