Bayesian Q-learning in multi-objective reward model for homophobic and transphobic text classification in low-resource languages: A hypothesis testing framework in multi-objective setting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Most Reinforcement Learning (RL) algorithms optimize a single-objective function, whereas real-world decision-making involves multiple aspects. For hate comment classification, an agent must balance maximizing the F1-score while minimizing False Positives (FP) to enhance precision and reduce misclassifications. However, such multi-objective optimization introduces uncertainties in decision-making. To address this, we propose a Bayesian Q-Learning framework with a convolutional neural network policy. The policy outputs action logits, integrated with Q-value estimates sampled via Thompson Sampling from a Gaussian posterior. Our reward function combines F1-score (objective 1) and a penalty for misclassification (objective 2) to optimize learning. To validate our framework, firstly we show that our framework classifies the hate-comments comparatively better than other baselines by scoring an F1-score of 83%, 93%, 77% and 71% in English-Tamil, English, Kannada and Malayalam datasets for detecting homophobic and transphobic comments respectively. Secondly, we demonstrate that the variance of Q-value estimates in our Bayesian posterior decreases significantly over time, indicating that the agent has learned an optimal policy that effectively balances the competing objectives. This finding is further supported by statistical t-tests conducted across all datasets, which confirm the significance of the observed variance reduction. Additionally, we observe our agent’s multi-objective optimization path in 3D space, which shows its ability to balance reward (F1-score) and regret. Furthermore, we compare the action selection between our Bayesian approach and non-Bayesian action clustering using K-Means algorithms, where our analysis highlights coherent clustering which indicates structure exploration, while non-Bayesian approach shows premature convergence to suboptimal policies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle