YEZE在SemEval-2026任务9：通过异构集成检测多语言、多文化及多事件在线极化
YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling
AI总结：
本文提出了一种系统，用于SemEval-2026任务9，通过三个子任务检测22种语言的极化社交媒体内容，采用异构集成多语言预训练模型，结合多任务学习、翻译数据增强和类别加权提升分类性能。
摘要：
本文提出了我们的系统，用于SemEval-2026任务9：检测多语言、多文化和多事件在线极化。该系统通过三个子任务识别22种语言中的极化社交媒体内容：二元检测、目标分类和表现识别。我们提出了一种异构集成的多语言预训练模型，结合XLM-RoBERTa-large和mDeBERTa-v3-base。我们研究了多任务学习、基于翻译的数据增强和类别加权等技术，以在严重标签不平衡的情况下提高分类性能。我们的发现表明，独立任务建模结合类别加权效果更佳。
英文摘要：
This paper presents our system for SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization, which identifies polarized social media content in 22 languages through three subtasks: binary detection, target classification, and manifestation identification. We propose a heterogeneous ensemble of multilingual pretrained models, combining XLM-RoBERTa-large and mDeBERTa-v3-base. We investigate techniques such as multi-task learning, translation-based data augmentation, and class weighting to improve classification performance under severe label imbalance. Our findings indicate that independent task modeling combined with class weighting is more effective.
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。
