English(EN) REGLAT at ArGuard Shared Tasks: An Ensemble-Based Model Integrating NER for Harmful Content Detection in Arabic

阿拉伯语有害内容检测模型将命名实体识别 (NER) 与 MARBERT 集成

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-28 04:00

研究人员开发了一种新颖的两阶段模型，用于检测阿拉伯语中的有害内容，解决了方言变体和语义重叠带来的挑战。该系统首先利用 GLiNER 识别用户提示中的有害相关实体。然后将提取的实体附加到原始文本中，并由经过微调的 MARBERT 分类器进行处理以进行最终分类，在 ArGuard 2026 开发集上取得了 0.886 的宏观 F1 分数。该方法证明了将命名实体识别 (NER) 与阿拉伯语语言模型相结合，用于细粒度有害内容检测的有效性，尽管区分密切相关的有害类别仍然是一个有待改进的领域。 AI

影响这项研究推进了阿拉伯语有害内容检测的方法，有可能改进在线安全和审核工具。

排序理由这是一篇详细介绍特定自然语言处理 (NLP) 任务新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇详细介绍特定自然语言处理 (NLP) 任务新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Ahmed M. Fetouh, Mariam Labib, Nsrin Ashraf, Omer Dawood, Hamada Nayel · 2026-10-28 04:00

REGLAT 在 ArGuard 共享任务上：集成 NER 的基于集成的方法用于检测阿拉伯语中的有害内容

arXiv:2610.37265v1 Announce Type: new Abstract: Detecting harmful content in Arabic is challenging because of dialectal variations and the semantic overlap between different harm categories. This paper presents a two-stage approach for classifying Arabic user prompts into seven c…

本文如何被排名

报道来源 [1]

REGLAT 在 ArGuard 共享任务上：集成 NER 的基于集成的方法用于检测阿拉伯语中的有害内容

相关实体

相关话题