SG-UniBuc-NLP 在 SemEval-2026 Task 6 中的参赛方案：基于分块的多头 RoBERTa 用于长文本规避检测
计算与语言
2026-04-30 v1 人工智能
机器学习
摘要
我们描述了用于 SemEval-2026 Task 6（CLARITY：Unmasking Political Question Evasions）的系统，该系统对英文政治采访回答按粗粒度清晰度（3 分类）和细粒度规避策略（9 分类）进行分类。由于回答常常超过标准 Transformer 编码器的 512 token 限制，我们采用带元素级最大池聚合的重叠滑动窗口分块策略。共享的 RoBERTa-large 编码器提供两个任务特定的头部，通过多任务目标进行联合训练，推理时采用 7 折分层交叉验证的集成。我们的系统在 Subtask 1 上获得 Macro-F1 为 0.80，在 Subtask 2 上获得 0.51，分别在两项任务中排名第 11。
引用
@article{arxiv.2604.26375,
title = {SG-UniBuc-NLP at SemEval-2026 Task 6: Multi-Head RoBERTa with Chunking for Long-Context Evasion Detection},
author = {Gabriel Stefan and Sergiu Nisioi},
journal= {arXiv preprint arXiv:2604.26375},
year = {2026}
}
备注
Accepted to SemEval-2026 (Task 6: CLARITY: Unmasking Political Question Evasions)