YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling

기술 요약: SemEval-2026 태스크 9 의 YEZE

문제 정의
본 논문은 다국어, 다문화, 다사건 온라인 양극화 감지에 초점을 맞춘 SemEval-2026 태스크 9 를 위해 개발된 "YEZE" 시스템을 제시합니다. 이 태스크는 아미하르어, 아랍어, 중국어, 영어, 힌디어 등 22 개 언어에 걸친 소셜 미디어 게시물을 분석하여 양극화된 콘텐츠를 식별하는 것을 포함합니다. 이 과제는 세 가지 하위 태스크로 구성됩니다:

1. 이진 감지: 게시물이 양극화되었는지 여부를 판단 (하위 태스크 1).
2. 대상 분류: 다중 레이블 분류를 통해 양극화의 구체적인 대상 (예: 정치적, 인종/민족적, 종교적) 식별 (하위 태스크 2).
3. 발현 식별: 다중 레이블 분류를 통해 양극화의 구체적인 언어적 발현 (예: 고정관념, 악의적 비방, 비인간화) 식별 (하위 태스크 3).

이 시스템은 심각한 레이블 불균형, 레이블 분포의 교차 언어적 변이 (사전 이동), 그리고 하위 태스크 2 와 3 의 세밀한 레이블에서 발생하는 극심한 희소성과 같은 중대한 도전에 직면해 있습니다.

방법론
저자들은 다중 레이블 학습 (MTL) 목적을 공유하는 것이 아니라 각 하위 태스크를 독립적인 문제로 취급하는 다국어 사전 학습 모델의 이종 앙상블에 기반한 시스템을 제안합니다.

• 모델 아키텍처: 시스템은 두 가지 상호 보완적인 다국어 인코더를 활용합니다:
  • XLM-RoBERTa-large: 광범위한 교차 언어적 커버리지와 안정적인 전이 성능을 위해 선택됨.
  • mDeBERTa-v3-base: 콘텐츠와 상대적 위치를 별도로 인코딩하기 위해 분리된 어텐션 (disentangled attention) 을 사용하도록 선택됨.
• 학습 전략:
  • 독립 모델링: 태스크 간에 인코더를 공유하는 전통적인 MTL 접근법과 달리, 저자들은 각 하위 태스크에 대해 별도의 모델을 학습시킵니다. 실험 결과, 공유된 MTL 학습은 희소한 세밀한 레이블이 지배적인 이진 목적과 경쟁하여 세밀한 예측을 불안정하게 만드는 부정적 전이를 초래하는 것으로 나타났습니다.
  • 불균형 인식 최적화: 특히 다중 레이블 하위 태스크에서 발생하는 심각한 클래스 불균형을 해결하기 위해, 시스템은 다중 레이블 문제를 독립적인 이진 작업으로 분해하는 **이진 관련성 (Binary Relevance, BR)**을 활용합니다. 클래스 가중치가 레이블 빈도에 반비례하도록 설정된 가중 이진 교차 엔트로피 (Weighted Binary Cross-Entropy, WBCE) 손실 함수를 사용합니다. 이 접근법은 저자원 환경에서 Focal Loss 보다 더 효과적이었습니다.
  • 데이터 증강: 팀은 하우스어와 같은 언어를 위해 기계 번역을 사용하여 합성 샘플을 생성하는 번역 기반 데이터 증강을 조사했으나, 실용적 변화와 지역별 관용구의 모호화로 인해 유의미한 성능 향상을 가져오지 못했습니다.
• 앙상블: 최종 제출물은 가중 확률 평균을 사용하여 XLM-R 과 mDeBERTa 의 예측을 결합합니다. 앙상블 가중치 ($\alpha$) 는 Macro-F1 을 최대화하도록 개발 세트에서 최적화되었으며, 그 결과 XLM-R 에는 0.7, mDeBERTa 에는 0.3 의 가중치가 부여되었습니다. 모든 예측에 대해 $\tau = 0.5$의 글로벌 임계값이 적용되었습니다.

주요 결과
공식 평가에서 시스템은 경쟁력 있는 결과를 달성하여 모든 하위 태스크에서 대부분의 언어에서 상위 10 위 안에 들었습니다:

• 하위 태스크 1: 22 개 언어 중 11 개 언어에서 상위 10 위.
• 하위 태스크 2: 22 개 언어 중 16 개 언어에서 상위 10 위 (아미하르어, 우르두어, 오디아어, 폴란드어에서 상위 5 위 포함).
• 하위 태스크 3: 18 개 언어 중 17 개 언어에서 상위 10 위 (아미하르어, 아랍어, 영어, 크메르어, 스페인어, 우르두어에서 상위 5 위 포함).

탈락 실험 (Ablation studies) 은 다음과 같은 사실을 밝혔습니다:

• WBCE는 저자원 시나리오에서 표준 BCE 와 Focal Loss 보다 현저히 우수했습니다 (예: 텔루구어에서 Macro-F1 0.212 증가).
• 독립 모델링은 공유된 표현이 희소한 레이블에 대해 종종 부정적 전이를 초래했기 때문에 MTL 보다 우월했습니다.
• 번역 증강은 성능을 개선하지 못했으며, 이는 합성 데이터가 양극화 감지에 필요한 미묘한 사회정치적 맥락을 포착하지 못할 수 있음을 시사합니다.

의의 및 주장
본 논문은 다국어 양극화 감지의 주요 병목 현상이 단순히 교차 언어적 변이가 아니라, 구체적으로 세밀한 레이블의 희소성, 보정 불안정성, 그리고 작업 간 불일치라고 주장합니다.

저자들은 그들의 연구 결과가 불균형 인식 최적화와 결합된 하위 태스크별 독립 모델링이 심각한 레이블 희소성을 다룰 때 공유된 다중 태스크 학습보다 더 견고한 실용적 대안임을 보여준다고 주장합니다. 그들은 "정치적" 대상이나 "악의적 비방"과 같은 광범위한 커버리지를 가진 레이블은 학습 가능하지만, 희소한 발현 레이블은 여전히 취약하며 오보정 (높은 재현율 but 낮은 정밀도) 에 취약하다고 강조합니다.

이 연구는 저자원 및 불균형 환경에서의 세밀한 양극화 분석의 어려움을 강조하며, 향후 개선은 단순히 모델 크기를 확장하거나 합성 번역 데이터에 의존하기보다는 경량 계층적 보정이나 문화적 기반 데이터 합성이 필요할 수 있음을 시사합니다.