MemeScouts@LT-EDI 2026：询问正确的问题——用于表情符号仇恨言论检测的提示式弱监督
机器学习
2026-04-28 v1 人工智能
摘要
检测表情符号中的仇恨言论具有挑战性，因为其多模态特性以及细微的、以文化为背景的线索，如讽刺和情境。虽然最近的视觉语言模型（VLM）使对文本和图像的联合推理成为可能，但端到端的提示方法可能脆弱，因为单一预测必须同时解决目标、立场、隐含性和讽刺性。这些挑战在多语言环境中更为突出。我们提出了一种提示式弱监督（PWS）方法，将表情符号理解分解为针对性的、基于问题的标记函数，采用受限答案选项进行针对性标签，以检测 LT-EDI 2026 共享任务中的仇恨言论。使用量化的 Qwen3-VLM 通过回答针对性问题来提取特征，我们的方法在直接 VLM 分类方面取得显著提升，尤其在中文和 Hindi 方面提升显著，在英文中排名第一，在中文中排名第二，在 Hindi 中排名第三。通过基于错误驱动的 LF 扩展和特征修剪实现迭代细化，减少冗余并提高泛化能力。我们的结果凸显了提示式弱监督在多语言多模态仇恨言论检测中的有效性。
关键词
引用
@article{arxiv.2604.24178,
title = {Meta-Aligner: Bidirectional Preference-Policy Optimization for Multi-Objective LLMs Alignment},
author = {Wenzhe Xu and Biao Liu and Yiyang Sun and Xin Geng and Ning Xu},
journal= {arXiv preprint arXiv:2604.24178},
year = {2026}
}