ゲーミングチャットにおける多クラス有害性検出のための合成データ拡張による大規模言語モデルのファインチューニング
PSK@EEUCA 2026: Fine-Tuning Large Language Models with Synthetic Data Augmentation for Multi-Class Toxicity Detection in Gaming Chat
記事のポイント
📰ニュース
ゲーミングチャットの有害なメッセージを6つのカテゴリに分類するタスクで、合成データ拡張を用いたLLMのファインチューニング手法が開発されました。
🔍注目ポイント
Llama 3.1 8Bモデルに5%の合成データを慎重に加えることで、F1マクロスコア0.6234を達成し、参加チーム中4位の性能を示しました。
🔮これからどうなる
ゲーミングコミュニティの健全性を向上させ、プレイヤーがより安全で快適にゲームを楽しめる環境作りに貢献するでしょう。
この研究は、World of Tanksのチャットメッセージを非有害、侮辱、ヘイト、脅迫など6つのカテゴリに分類するEEUCA 2026共有タスクの一環です。
エンコーダーベースモデル、LoRAファインチューニング、階層分類、アンサンブルなど複数のアプローチを検討し、特に「検証トラップ」現象がモデルの汎化に与える影響を分析しました。
エンコーダーベースモデル、LoRAファインチューニング、階層分類、アンサンブルなど複数のアプローチを検討し、特に「検証トラップ」現象がモデルの汎化に与える影響を分析しました。
ゲーミングチャットの有害性検出は、オンラインコミュニティの健全性維持に不可欠ですね。合成データでLLMを強化するアプローチは、他の分野でも応用できそうです。