多智能体视觉语言模型引导的自训练，基于PNU损失用于低资源侮辱内容检测
机器学习
2025-11-19 v1 人工智能
摘要
准确检测社交媒体上的侮辱内容需要高质量的标注数据;然而，由于侮辱实例的稀少性和人工标注的高成本，这些数据常常有限。为此，我们提出一种自训练框架，通过协同伪标签来利用丰富的无标签数据。我们首先训练一个基于有限标注数据训练的轻量级分类器，然后该方法迭代地借助多智能体视觉语言模型（MA-VLMs）为无标签实例分配伪标签。在分类器与MA-VLMs一致的无标签数据上确定为“已知未标记”集合（Agreed-Unknown set），而冲突样本形成为“未知未标记”集合（Disagreed-Unknown set）。为增强标签可靠性，MA-VLMs模拟双重视角，捕捉监管和主观观点的双重视角。分类器使用新的正负未标记（PNU）损失进行优化，该损失联合利用已标记、已知未标记和未知未标记数据，同时缓解伪标签噪声。在基准数据集上的实验表明，我们的框架在有限监督条件下显著优于基线方法，并接近大规模模型的性能。
关键词
引用
@article{arxiv.2511.13759,
title = {Multi-Agent VLMs Guided Self-Training with PNU Loss for Low-Resource Offensive Content Detection},
author = {Han Wang and Deyi Ji and Junyu Lu and Lanyun Zhu and Hailong Zhang and Haiyang Wu and Liqun Liu and Peng Shu and Roy Ka-Wei Lee},
journal= {arXiv preprint arXiv:2511.13759},
year = {2025}
}
备注
8 pages, 4 figures, Fortieth AAAI Conference on Artificial Intelligence (AAAI-26)