PyTorchKR Papers

최신 논문

총 2,437편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:1806.06219공식 코드 · Papers with Code

GILE: A Generalized Input-Label Embedding for Text Classification

Neural text classification models typically treat output labels as categorical variables which lack description and semantics. This forces their parametrization to be dependent on the label set size, and, hence, they are unable to scale to large label sets and generalize to unseen ones. Existing joint input-label text models overcome these issues by exploiting label descriptions, but they are unable to capture complex label relationships, have rigid parametrization, and their gains on unseen labels happen often at the expense of weak performance on the labels seen during training. In this paper, we propose a new input-label model which generalizes over previous such models, addresses their limitations and does not compromise performance on seen labels. The model consists of a joint non-linear input-label embedding with controllable capacity and a joint-space-dependent classification unit which is trained with cross-entropy loss to optimize classification performance. We evaluate models on full-resource and low- or zero-resource text classification of multilingual news and biomedical text with a large label set. Our model outperforms monolingual and multilingual models which do not leverage label semantics and previous joint input-label space models in both scenarios.

arXiv:1806.06407

An Improved Text Sentiment Classification Model Using TF-IDF and Next Word Negation

With the rapid growth of Text sentiment analysis, the demand for automatic classification of electronic documents has increased by leaps and bound. The paradigm of text classification or text mining has been the subject of many research works in recent time. In this paper we propose a technique for text sentiment classification using term frequency- inverse document frequency (TF-IDF) along with Next Word Negation (NWN). We have also compared the performances of binary bag of words model, TF-IDF model and TF-IDF with next word negation (TF-IDF-NWN) model for text classification. Our proposed model is then applied on three different text mining algorithms and we found the Linear Support vector machine (LSVM) is the most appropriate to work with our proposed model. The achieved results show significant increase in accuracy compared to earlier methods.

arXiv:2505.14777v2cs.LG

KO: 편미분방정식(PDE) 시뮬레이션 접근법을 적용한 반응속도론 기반 신경망 옵티마이저

KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches

신경망을 위한 효과적인 최적화(optimization) 알고리즘의 설계는 여전히 근본적인 과제로 남아 있으며, 기존의 대부분의 방법들은 그래디언트 기반 업데이트의 휴리스틱한 확장에 의존하고 있습니다. 본 논문에서는 반응속도론(kinetic theory) 및 편미분방정식에 기반한 플러그 앤 플레이 최적화 모듈인 KO(Kinetics-inspired Optimizer)를 소개합니다. KO는 매개변수 동역학을 입자 시스템으로 모델링하며, 볼츠만 수송 방정식(Boltzmann transport equation)의 이산화를 통해 유도된 확률적 상호작용으로 표준 그래디언트 업데이트를 증강합니다. 이러한 메커니즘은 자연스럽게 매개변수의 다양성을 촉진하고, 일반화 저하와 밀접하게 연관된 현상이자 매개변수가 저차원 부분공간으로 붕괴하는 경향인 가중치 응축(weight condensation)을 완화합니다. 본 연구는 엄밀한 이론적 분석과 물리적 해석을 모두 제공하여, KO가 수렴성을 보장하면서도 매개변수 다양성을 유의미하게 증가시킴을 증명합니다. 이미지 분류 벤치마크(CIFAR-10/100, ImageNet) 및 대규모 언어 모델 사전학습(pre-training)에 대한 광범위한 실험을 통해, KO가 거의 무시할 수 있는 수준의 추가 연산 비용만으로 경쟁력 있는 베이스라인 대비 일관되게 정확도를 향상시킴을 입증합니다.

arXiv:2609.27165v1cs.CL

문장이 아닌 증거를 세어라: 장문 텍스트 가치관 측정을 위한 LLM 판단의 템퍼드 증거 융합(Tempered Evidence Fusion)

Count Evidence, Not Sentences: Tempered Evidence Fusion of LLM Judgments for Long-Text Value Measurement

대규모 언어 모델(LLM)은 긴 소셜 미디어 게시물로부터 대중의 가치 지향을 측정하는 데 점점 더 많이 사용되고 있으나, 이러한 게시물에는 배경 설명, 인용, 양보 표현이 섞여 있고 입장을 드러내는 문장은 소수에 불과한 경우가 많다. 기존 접근법은 모델이 문서 수준 레이블을 직접 예측하도록 하여 과신(overconfident)에 빠질 수 있거나, 문장 수준 예측을 다수결(majority voting) 또는 소프트 보팅(soft voting)으로 집계하여 불확실한 문장과 결정적인 문장을 동등하게 유용한 정보로 취급한다. 본 논문은 장문 텍스트 가치관 측정을 의사결정 융합(decision-fusion) 문제로 정식화하고, 일반화 베이지안 사후분포(generalized Bayesian posterior)로부터 도출된 정규화된 정보 이득(information gain)으로 각 문장의 로그 오즈(log-odds)에 가중치를 부여하는 학습이 필요 없는(training-free) 규칙인 템퍼드 증거 융합(Tempered Evidence Fusion, TEF)을 제안한다. 이를 통해 불확실한 문장에 대해서는 융합 점수가 거의 0에 가까워지면서도, 결정적인 증거에 대해서는 베이즈 최적 가중치가 유지된다. 또한 5년에 걸친 공공 사건과 여섯 가지 가치 차원을 아우르는 중국어 및 영어 게시물 8,358건으로 구성된 벤치마크인 Multi-event Insight Network Dimensions(MIND)를 새롭게 소개한다. MIND에서 TEF는 다섯 개의 LLM과 두 언어에 걸쳐, Direct, Majority Vote, Soft Vote 중 가장 강력한 기준선(baseline)보다 평균 4.5 정확도 포인트, 4.6 macro-F1 포인트 높은 성능을 보였다. MIND 데이터셋과 코드는 https://github.com/Kzczc/ICASSP2027-TEF 에서 확인할 수 있다.

arXiv:2609.24574v2cs.CL

계산사회과학 텍스트 어노테이션을 위한 의사결정 모델 평가

Evaluating Decision Models for Text Annotation in Computational Social Science

계산사회과학(computational social science)은 텍스트 어노테이션(annotation)에 대규모 언어 모델(LLM)에 점점 더 의존하고 있으며, 발표된 연구 결과의 타당성은 이제 이러한 모델이 생성한 레이블에 달려 있다. 범주형 질의응답을 위해 만들어진 새로운 모델 클래스인 의사결정 모델(decision model)은 자유 형식 텍스트 대신 선택지, 레이블 집합에 대한 확률 분포, 그리고 신뢰도 점수로 유형화된 질문에 답하며, 그 비용은 프런티어 모델 추론 가격의 극히 일부에 불과하다. 이러한 모델의 답변이 정확한지, 그리고 모델이 제시하는 신뢰도를 사회과학 구성 개념(construct)에서 신뢰할 수 있는지는 알려져 있지 않다. 본 연구에서는 18개 계산사회과학 분류 과제(7,977개 항목)에 대해 Ziems et al.(2024)의 평가를 재현하여, 최초의 상용 의사결정 모델과 두 개의 오픈 가중치(open-weight) 모델을 19개의 프런티어 및 오픈 가중치 언어 모델과 동일한 제로샷 프로토콜 하에서 비교하고, 의사결정 모델 비교를 그 이후 일주일 동안 공개된 11개의 오픈 가중치 시스템으로 확장한다. 의사결정 모델은 15개 평가 과제 중 14개에서 과제별 최고 성능 LLM에 뒤처졌으며, 매크로 F1 기준 중앙값 격차는 11.6점이었고, 측정된 비용은 중앙값 기준 44배 낮았다. 이 모델의 신뢰도는 19개 LLM 중 16개의 언어화된(verbalized) 신뢰도보다 더 잘 보정되어 있으나, 세 개의 프런티어 모델은 더 낮은 중앙값 보정 오차를 보인다(0.157 대 0.066). 신뢰도 0.9를 초과하는 항목은 일반적으로 정확하게 레이블링되지만(중앙값 정확도 0.815), 또래 지원 대화에서의 공감(empathy) 과제 하나에서는 모델이 높은 신뢰도를 보고하면서도 무작위 수준에 가까운 성능을 보였다. 그럼에도 본 연구 결과는 의사결정 모델이 어노테이션 파이프라인의 첫 단계로서 유용함을 시사한다. 신뢰도가 낮은 항목을 LLM으로 라우팅하면 LLM 단독 사용과 같거나 더 나은 성능을 LLM 비용의 4분의 1에서 절반 수준으로 달성할 수 있다.

arXiv:2510.01354v2cs.CR

WAInjectBench: 웹 에이전트를 위한 프롬프트 인젝션 탐지 벤치마킹

WAInjectBench: Benchmarking Prompt Injection Detections for Web Agents

웹 에이전트(web agent)를 겨냥한 여러 프롬프트 인젝션(prompt injection) 공격이 제안되어 왔습니다. 동시에 일반적인 프롬프트 인젝션 공격을 탐지하기 위한 다양한 방법들이 개발되었으나, 웹 에이전트에 대해 체계적으로 평가된 바는 없습니다. 본 연구에서는 웹 에이전트를 대상으로 하는 프롬프트 인젝션 공격 탐지에 대한 최초의 종합적인 벤치마크(benchmark) 연구를 제시하여 이러한 공백을 메웁니다. 먼저 위협 모델(threat model)을 기반으로 이러한 공격의 세분화된 분류 체계를 소개합니다. 그런 다음 악성 샘플과 정상 샘플을 모두 포함하는 데이터셋(dataset)을 구축합니다. 여기에는 서로 다른 공격으로 생성된 악성 텍스트 세그먼트, 4개 범주의 정상 텍스트 세그먼트, 공격으로 생성된 악성 이미지, 2개 범주의 정상 이미지가 포함됩니다. 이어서 텍스트 기반 및 이미지 기반 탐지 방법을 체계화합니다. 마지막으로 다양한 시나리오에 걸쳐 이들의 성능을 평가합니다. 주요 연구 결과에 따르면, 일부 탐지기는 명시적인 텍스트 지시나 눈에 띄는 이미지 섭동(perturbation)에 의존하는 공격을 보통에서 높은 수준의 정확도로 식별할 수 있지만, 명시적인 지시를 생략하거나 인지하기 어려운 섭동을 사용하는 공격에는 크게 실패하는 것으로 나타났습니다. 데이터셋과 코드는 https://github.com/Norrrrrrr-lyn/WAInjectBench 에 공개되어 있습니다.

arXiv:2609.13279v2cs.CV

MODA General Attribute Suite: 패션 속성 추출을 위한 4트랙 평가 벤치마크

The MODA General Attribute Suite: A Four-Track Evaluation Benchmark for Fashion Attribute Extraction

패션 속성 추출(fashion attribute extraction)은 일관성 없이 평가되고 있다: 결과는 서로 다른 문제를 제기하는 이미지 유형 전반에 걸쳐 단일 집계 수치로 보고되고, 이미지에 보이지 않는 필드는 일반적인 음성(negative)으로 채점되며, 데이터셋 간 어휘 불일치(vocabulary mismatch)의 영향은 인정되지만 측정되지는 않는다. 우리는 이러한 문제들을 설계상 분리하여 유지하는 4트랙 벤치마크인 MODA General Attribute Suite를 공개한다. 각 트랙(국소화된 의류 크롭(localized garment crop), 카탈로그 제품 이미지, 적용 가능성(applicability)을 고려한 전신 사진, 제품 텍스트)은 각각 고정된(frozen) 테스트 세트, 입력 계약(input contract), 지표(metric), 누출 단위(leakage unit)를 가지며, 트랙 간에는 결코 평균을 내지 않는다. 프로토콜은 레이블을 보지 않는(label-blind) 예측, 레이블을 공개하기 전 예측 파일의 SHA-256 커밋(commitment), 폐쇄 실패형(fail-closed) 채점기, 그리고 각 트랙의 고유한 누출 단위에서의 10,000-샘플 페어드 클러스터 부트스트랩(paired cluster bootstrap)을 요구한다; 승급(promotion)에는 유리한 평균이 아니라 모든 트랙에서 양의 구간(positive interval)이 요구된다. 우리는 채점기(scorer), 분할 빌더(split builder), 주요 결과에 포함된 모든 이미지 트랙 시스템과 성능이 뒤처진 실행(run)에 대해서도 해시를 포함한 자체 예측 파일, 그리고 4개 트랙 중 3개에 대한 MODA_NER(V) 모델 체크포인트를 공개한다. 텍스트 모델은 배포되지 않으나 그 벤치마크는 배포된다. 우리는 기준선(baseline) 결과, 이를 개선하지 못한 6가지 개입(intervention), 그리고 근거의 한계를 보고한다. 의류 크롭(garment-crop) 트랙에서는 헤드라인 결과가 벤치마크 자체의 설계에 얼마나 의존하는지도 측정한다: 두 최상위 시스템의 순위는 필드를 마이크로 평균(micro-average)할지 매크로 평균(macro-average)할지에 따라 달라지며, 프로토콜이 판정하는 셀(cell)의 3분의 2는 어노테이션(annotation)이 전혀 없고, 적용 가능성 판단(applicability decision)을 비활성화하면 속성 마이크로 F1(micro-F1)이 0.63에서 0.27로 떨어진다. 따라서 이 점수의 대부분은 원본 레이블로는 판정할 수 없는 부재(absence) 판단에 의존하고 있다. 이 버전에서는 또한 추론(inference) 전처리 결함이 영향을 미쳤던 외부 비교의 수치 하나를 수정하였다.

arXiv:2506.10292v2cs.CL

Flick: 다중 과제 저자원 언어를 위한 K-인식 중간 학습 기반 소수 레이블 텍스트 분류

Flick: Few Labels Text Classification using K-Aware Intermediate Learning in Multi-Task Low-Resource Languages

최소한의 감독으로 심층 학습 네트워크를 학습하는 방법은 광범위한 레이블 데이터에 대한 의존을 줄일 수 있는 잠재력으로 인해 상당한 연구 관심을 받아왔다. 자기 학습(self-training) 방법은 준지도 학습(semi-supervised learning)에서 효과적임이 입증되었지만, 노이즈가 있는 의사 레이블(pseudo label)로 인한 오류에 취약하다. 또한 소수 레이블 분류 문제에 대한 최근 대부분의 접근법은 영어와 같은 자원 풍부 언어를 위해 설계되었거나 과적합에 취약한 복잡한 계단식(cascading) 모델을 포함한다. 노이즈가 있는 의사 레이블과 도메인 적응(domain adaptation)에서 기존 방법이 종종 어려움을 겪는 진정한 저자원 언어적 맥락에서의 소수 레이블 텍스트 분류라는 지속적인 과제를 해결하기 위해, 우리는 Flick을 제안한다. 일반적인 다중 클러스터 의사 레이블링이나 복잡한 계단식 아키텍처에 의존하는 기존 방법과 달리, Flick은 더 넓은 초기 클러스터 집합에서 고신뢰도 의사 레이블을 증류(distillation)하면 의사 레이블 품질을 극적으로 개선할 수 있다는, 특히 언어적으로 다양한 저자원 환경에서 중요한 근본적인 통찰을 활용한다. Flick은 최고 성능의 의사 레이블 클러스터를 식별하고 활용함으로써 기존 의사 레이블링 전략에서 벗어난 새로운 의사 레이블 정제(refinement) 구성 요소를 도입한다. 이 구성 요소는 단일 클러스터 응집성(single-cluster cohesion)에 집중하고 적응형 top-k 선택 메커니즘을 활용하여, 초기의 넓은 집합으로부터 매우 신뢰할 수 있는 의사 레이블을 증류하는 방법을 구체적으로 학습한다. 이 표적화된 정제 과정은 저자원 데이터에 내재된 오류 전파를 완화하는 데 핵심적이며, 소수의 실제 레이블만으로 사전학습된 언어 모델의 견고한 미세조정을 가능하게 한다. 우리는 아랍어, 우르두어, 세츠와나어와 같은 도전적인 저자원 언어와 영어를 포함하는 14개의 다양한 데이터셋에서 Flick의 효과를 입증하여, 그 우수한 성능과 적응성을 보여준다.

arXiv:2607.20425v1cs.CL

무엇이 좋은가? LLM 추론 trace에서 문학적 품질의 암묵적 이론 추출 및 검증

What is Good? Extracting and Testing Implicit Theories of Literary Quality from LLM Reasoning Traces

"좋은" 글쓰기를 무엇이 만드는지는 문학 연구와 계산언어학에서 지속적인 질문으로 남아 있다. 우리는 추론 기능이 활성화된 LLM이 문학적 품질을 어떻게 평가하는지에 대한 2개 연구 조사를 제시한다. 연구 1에서, 우리는 정典 문학부터 익명 포럼 게시글까지 6개 품질 등급에 걸친 30개의 실제 텍스트로 구성된 벤치마크를 만들고, 모델의 추론 trace에서 품질에 대한 모델의 암묵적 이론을 추출한다. 5회의 DeepSeek 반복 실험에서, 모델은 평균 등급 분류 정확도 79.3%를 달성한다. trace는 일관된 진술된 이론을 드러낸다: 모델은 정확성보다 의도성을 더 중시하며, 기교, 깊이, 독특한 voice를 우선시한다. 스타일이 일치하지만 알아볼 수 없는 passage를 사용한 친숙도 실험은 출처 인식이 점수를 부풀릴 수 있음을 시사하지만, 정典 원본과 연구자가 작성한 pastiche 간의 실질적 품질 차이에 의해 교란된다. 연구 2에서, 우리는 5개의 정典 산문 passage에 대한 체계적 품질 저하를 통해 이 이론을 탐색한다. 우리는 6가지 조작—어휘 단순화, 리듬 평탄화, imagery 제거, voice 일반화, 구조 단순화, 복합 저하—을 적용하고 각 버전을 재평가한다. 어휘 단순화는 가장 작은 품질 손실(0.41 +/- 0.46점)을 유발하며, 구조(2.78) 또는 voice(2.34) 손실보다 훨씬 낮다. 복합 저하는 치명적(-5.64)이지만 부가적(subadditive)이 아니다. Qwen QwQ와의 탐색적 비교는 동일한 광범위한 정성적 패턴을 보여준다. 종합하면, 이 연구들은 LLM의 글쓰기 품질 판단이 전체론적(holistic)이고 작가 특이적(author-specific)이며, 어휘적 특성보다 구조적 특성에 더 민감함을 시사하며, 자동화된 글쓰기 피드백과 계산 미학(computational aesthetics)에 함의를 갖는다.

arXiv:2607.15240v1cs.CL

TikStance: TikTok 정치 대화에서 다중 대상 입장 분석을 위한 멀티모달·계층적 데이터셋

TikStance: A Multimodal and Hierarchical Dataset for Multi-target Stance Analysis in TikTok Political Conversations

정치 담론은 점점 더 숏폼 플랫폼으로 이동하고 있지만, 그러한 콘텐츠에 대한 계산적 분석은 시청각 정보와 계층적 대화를 함께 보존하는 데이터셋의 부족으로 여전히 제약을 받고 있다. 본 연구에서는 TikTok에서 수집한 161개의 영상과 13,876개의 댓글로 구성된 멀티모달·문맥 인식 데이터셋 TikStance를 제시하며, 이는 정치 토론에서의 입장 탐지(stance detection)를 위해 설계되었다. 이 데이터셋은 2024년 미국 선거 주기의 세 주요 정치 인물—Donald Trump, Joe Biden, Kamala Harris—를 다루며, 2023년 9월부터 2025년 1월 사이에 콘텐츠를 수집했다. 각 토론 단위는 호스트 영상과 그 메타데이터를 부모 연결형 댓글 트리에 연결하여, 시청각 및 대화적 문맥 모두 내에서 입장 분석을 가능하게 한다. 각 항목은 세 명의 주석자가 독립적으로 세 가지 분류 체계(찬성(Favor), 반대(Against), 없음(None))를 사용하여 영상-대상 및 댓글-대상 입장에 대해 라벨링했으며, 불일치 항목은 재주석 처리되었고, 최종 Krippendorff's α는 Trump, Biden, Harris 부분집합에서 각각 0.743, 0.723, 0.722에 달했다. 기술 통계 분석은 추가로 입장 분포와 대화 깊이에서 대상에 따른 차이를 드러내며, 중첩 답글은 전체 댓글의 23.3%를 차지한다. 다중 대상 커버리지, 계층적 대화, 신뢰할 수 있는 다수준 인간 주석을 결합함으로써 TikStance는 멀티모달 입장 탐지, 정치 커뮤니케이션, 계산 사회과학, 문맥 인식 자연어 처리(NLP) 연구를 지원한다.

arXiv:2607.08493v1cs.LG

주관적 지도학습을 위한 앙상블 다양성 최적화

Ensemble Diversity Optimization for Subjective Supervision

주관적 NLP 태스크에서 주석자 간 불일치를 단일 레이블로 축소하지 않고 불확실성으로 표현하기 위해, Gumbel-Softmax 완화를 통해 앙상블 구성과 크기를 엔드투엔드로 학습하고 부호 있는 다양성 정규화기로 앙상블 붕괴를 방지하는 Ensemble Diversity Optimization(EDO) 프레임워크를 제안한다. ArMIS, ConvAbuse, HS-Brexit, MD-Agreement 네 가지 벤치마크 실험에서 EDO는 기존 베이스라인 대비 교차 엔트로피를 40~78% 감소시키고 Brier 점수를 낮추는 등 확률적 캘리브레이션(calibration)을 크게 향상시키면서 경쟁력 있는 F1도 유지했다.

arXiv:2607.05416v1cs.CL

중첩 및 계층적 반복으로부터의 텍스트 거리: 압축 기반 관점

Text Distance from Nested and Hierarchical Repetitions: A Compression-Based Perspective

Ladderpath 접근법을 활용해 언어 시퀀스 내 반복 하위 구조 간의 중첩·계층적 관계를 추출하고, 이를 기반으로 정규화 압축 거리(NCD) 및 Dice·Jaccard 계수에서 영감을 받은 두 가지 거리 측도를 정의한다. $k$-최근접 이웃 분류기와 결합한 세 가지 거리 측도는 분포 외(OOD) 및 퓨샷(few-shot) 설정에서 gzip 기반 NCD와 BERT를 모두 능가하며, 학습 없이도 효과적인 텍스트 분류가 가능함을 보여준다.

arXiv:2606.26489v1cs.CL

독일 기후 뉴스에서 위협 및 해결 프레이밍 탐지를 위한 BERT 문장 쌍 분류와 퓨샷 LLM 프롬프팅 비교

Comparing BERT Sentence-Pair Classification and Few-Shot LLM Prompting for Detecting Threat and Solution Framing in German Climate News

독일어 기후 뉴스 문장의 위협·해결 프레이밍을 자동 분류하기 위해 퓨샷(few-shot) LLM(Llama 4 Maverick) 프롬프팅과 앞 문장을 문맥으로 활용한 독일어 BERT(deepset/gbert-large) 문장 쌍 분류를 체계적으로 비교한다. 수동 코딩된 오스트리아 신문 440편 코퍼스에서 파인튜닝 BERT는 위협·해결 과제 모두 F1 0.83을, LLM은 F1 0.78을 기록했으며, 앞 문장 문맥이 BERT 분류 성능을 단일 문장 입력보다 크게 향상시킨다.

arXiv:2606.26595v1cs.AI

LLM 기반 모델을 활용한 서비스 피드백 신흥 주제 탐지

LLM-based Models for Detecting Emerging Topics in Service Feedback

세무 행정 등 공공 부문의 다국어 고객 피드백에서 신흥 서비스 품질 주제와 인구 집단 간 잠재적 격차를 식별하기 위해 파인튜닝·양자화된 LLM, 통계 기법, 전문가 감독을 결합한 human-in-the-loop 프레임워크를 제안한다. 세무 공무원 평가와 유사도 분석 결과, 기준선 모델보다 전문가 판단과의 일치가 개선되었고 인간 개입이 LLM 허구 생성을 줄여 분석의 신뢰성과 관련성을 높였다.

arXiv:2606.24055v1cs.CL

Best Preprocessing Techniques for Sentiment Analysis

Twitter 데이터셋 감성 분석에서 전처리(preprocessing) 기법의 적용 순서를 체계적으로 비교·분석한 결과, 토큰화(tokenisation)가 가장 영향이 크고 철자 교정(spelling correction)은 가장 영향이 작으며 stemming과 불용어 제거는 상호 교환 가능하다. 최적 순서는 토큰화, 텍스트 클리닝, stemming, 불용어 제거이며, 부정어는 제거하지 않는 편이 더 낫다.

arXiv:2606.23694v1cs.CL

ModTGCN: Modularity-aware Graph Neural Networks for Text Classification

ModTGCN은 cross-entropy와 모듈성(modularity) 보조 목적을 함께 최적화해 transformer 임베딩 기반 문서-문서 유사도 그래프의 전역 커뮤니티 구조를 반영하는 모듈성 인식 그래프 신경망(GNN) 텍스트 분류 모델이다. TextGCN을 문서-단어·단어-단어 구성으로 분리해 학습을 2~10배 가속했고, 5개 벤치마크에서 일관된 성능 향상을 보였으며 Ohsumed·20NG처럼 복잡하고 동질성(homophily)이 낮은 데이터셋에서 개선폭이 더 컸다.

arXiv:2606.13187v1cs.CL

Reddit 바이오윤리적 논쟁에서의 입장 탐지를 위한 문맥 인식 데이터셋

A Context-Aware Dataset for Stance Detection in Bioethical Controversies on Reddit

바이오윤리적 논쟁에서 입장 탐지(stance detection)를 위한 대규모 자원 부족 문제를 해결하기 위해, Reddit에서 수집한 39,600개의 Post-Comment 쌍으로 구성된 문맥 인식 데이터셋인 BioStance를 제안한다. 이 데이터셋은 높은 신뢰도의 인간 주석을 포함하여 문맥 인식 입장 탐지 및 논증 마이닝 연구를 지원한다.