基于正-未标记学习的轻量级欺骗检测：面向不平衡外交对话
计算与语言
2025-07-15 v1
摘要
检测策略性对话中的欺骗行为是一个因语言的含糊性以及欺骗性通信与诚实通信之间类别极度不平衡而具有复杂性和高风险的任务。在本工作中，我们重新审视了在外交数据集中的欺骗检测问题，该数据集中少于5%的消息被标记为欺骗性。我们引入了一个轻量且有效的模型，结合了冻结的BERT嵌入、可解释的语言特征和游戏特定特征，以及正-未标记（PU）学习目标。不同于传统的二分类器，PU-Lie是针对只有少部分欺骗消息被标记、其余消息大多为未标记情况而设计的。我们的模型实现了新的最佳宏平均F1得分0.60，同时将可训练参数减少了超过650倍。通过对七个模型的全面评估和消融研究，我们展示了PU学习、语言可解释性和说话者感知表示的价值。值得注意的是，在本问题设置下，准确检测欺骗比识别诚实信息更为关键。这一优先级指导了我们选择PU学习，该方法显式地建模了罕见但至关重要的欺骗类别。
引用
@article{arxiv.2507.09157,
title = {PU-Lie: Lightweight Deception Detection in Imbalanced Diplomatic Dialogues via Positive-Unlabeled Learning},
author = {Bhavinkumar Vinodbhai Kuwar and Bikrant Bikram Pratap Maurya and Priyanshu Gupta and Nitin Choudhury},
journal= {arXiv preprint arXiv:2507.09157},
year = {2025}
}