AdamR at SemEval-2023 Task 10: 利用集成学习解决性别歧视检测中的类别不平衡问题
AdamR at SemEval-2023 Task 10: Solving the Class Imbalance Problem in Sexism Detection with Ensemble Learning
AI总结：
针对在线性别歧视检测中的类别不平衡问题，本文提出使用数据增强、损失修改及Transformer集成方法，在SemEval-2023任务10的三个子任务中均取得前40%的成绩。
摘要：
可解释的在线性别歧视检测任务通过三个子任务对性别歧视案例进行细粒度分类，提出了可解释性别歧视检测的问题。我们的团队尝试了不同的方法来应对整个任务中的类别不平衡问题，包括使用数据增强和损失修改技术。我们通过利用在不同数据集上训练的Transformer模型集成来应对这一挑战，并测试这些模型以在性能和可解释性之间找到平衡。该解决方案使我们在每个赛道的团队中排名前40%。
英文摘要：
The Explainable Detection of Online Sexism task presents the problem of explainable sexism detection through fine-grained categorisation of sexist cases with three subtasks. Our team experimented with different ways to combat class imbalance throughout the tasks using data augmentation and loss alteration techniques. We tackled the challenge by utilising ensembles of Transformer models trained on different datasets, which are tested to find the balance between performance and interpretability. This solution ranked us in the top 40\% of teams for each of the tracks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
