标签
This paper introduces a novel measure called relative parameter importance for task-agnostic, replay-free continual learning, enabling better balance between stability and plasticity by regularizing only parameters critical for past tasks while allowing others to update for backward knowledge transfer. The method is evaluated on class-incremental and domain-incremental text classification tasks.
介绍DWT-Fusion，一种免训练框架，通过对token级对数概率进行离散小波分析来检测LLM生成的文本，在多个数据集上取得了优异的AUROC结果。
本文比较了专家分配和自动分配的MeSH术语作为系统综述筛选分类器特征的效果，表明评估设计显著影响测量的性能差距，规范设计显示较大差距，而在替代设计下差距减小。
本文介绍了ERGO，一种面向文本分类中迭代提示优化的错误驱动方法，该方法诊断分类失败并生成有针对性的决策规则，在错误集中于特定混淆标签对的任务上取得了最佳准确率。
一位开发者探索使用经典机器学习来检测LLM生成的网络小说，创建了一个开源演示和模型，单句准确率约为85%。
介绍了一种数据高效方法——注意力头重加权（AHR），通过为每个注意力头学习单个标量来适配大语言模型至文本分类任务，大幅减少可训练参数，同时在有限数据场景下优于LoRA。
提出了一种层次感知的RoBERTa框架，用于在CWE分类法中分类网络安全漏洞，表明层次感知表示学习在处理类别不平衡方面比过采样技术更有效。
一个针对保加利亚语、波兰语和俄语的劝说技巧新注释语料库，涵盖议会辩论和社交媒体，包含25种细粒度技巧及用于检测和分类的基线模型。
本文介绍了一项实证研究，比较不同神经架构（MLPs、CNNs、RNNs、预训练transformer）在图像和文本领域的时间分布偏移下的性能退化，发现利用局部特征的模型退化最快，而预训练编码器的漂移较为缓慢。
本文提出了一种新的结构序列分析方法，采用Ladderpath方法提取嵌套和层次重复结构，定义了三种距离度量，在分布外和少样本文本分类任务中优于基于gzip的NCD和BERT，提供了一种轻量级、可解释的替代方案。
HASE 是一个强化学习框架，它在统一的智能体过程中协同进化模型权重、任务解决方案以及流程组件（引导与评估），使单个8B参数的模型在文本分类和阿尔法因子挖掘任务上能够匹配更大系统的性能。
RuleChef 是一个框架，利用大型语言模型（LLM）为自然语言处理任务（如文本分类、命名实体识别或关系抽取）生成人类可编辑、可执行的规则。它基于任务描述和一组标注示例生成规则，然后根据更多示例和人类对现有规则的反馈进行迭代改进。RuleChef 还可以通过观察任何现有模型在给定任务上的输入-输出对来引导规则生成。LLM 仅在训练阶段使用，合成规则并根据在留出集上测量的失败进行迭代修补。这个过程最终产生一个快速、确定且可审查的规则系统。初步评估在分类和命名实体识别任务上进行。我们将 RuleChef 作为开源软件发布，采用 Apache 2.0 许可。
本文比较了微调BERT（gbert-large）与少样本大语言模型提示（Llama 4 Maverick）在德语气候新闻句子中检测威胁与解决方案框架的效果。BERT获得了更高的F1分数（0.83 vs 0.78），消融研究表明提供前一句上下文可提升性能。
本文评估了社会科学文本分类典型条件下分类器性能指标的置信区间方法，为使用大语言模型时准确估计召回率、精确率等指标的区间提供了指导。
Autofit2 是一个基于 setfit 和 SBERT 嵌入的自动化端到端流水线，用于少样本多语言文本分类，支持 50 多种语言，仅需少量标注数据即可实现高精度。
本文提出了一种基于半监督学习的测试时自适应方法，用于AI文本检测，能够适应来自新LLM、对抗性人工化和时间漂移的持续分布变化，性能优于最先进的监督式检测器。
Pangram Labs探索其AI检测模型Pangram 3.3.2的内部表示，分析模型如何在不同层中区分人工文本与AI文本，使用来自多种来源的5,000份文档的平衡数据集。
ModTGCN是一种模块化感知的图神经网络，通过联合优化交叉熵和基于模块化的辅助目标，利用文档图中的全局社区结构来改进文本分类，在五个基准测试上实现了持续的增益。
本文提出ImpSH，一种基于三元组的隐含仇恨言论分类框架，该框架将帖子与隐含语句对齐，并使用上下文有界半硬负样本挖掘来提高跨数据集的泛化能力。
本文通过训练一个可解释的文本分类器，评估了英国和瑞典议会文本中未披露的LLM生成内容的程度，发现自2022年以来未披露的LLM使用量稳步增加。