컨텍스트 기반 반정형 부정 샘플링을 이용한 암묵적 혐오 표현의 일반화 성능 향상: 함축된 진술과의 정렬

Aligning Implied Statements for Implicit Hate Speech Generalizability with Context-Bounded Semi-hard Negative Mining

명시적인 욕설 대신 암시와 맥락을 통해 의도가 숨겨진 경우, 암묵적인 혐오 표현을 분류하는 것은 여전히 어려운 과제입니다. 기존의 지도 학습 기반 대비 학습 방식은 특정 영역에서의 탐지 성능을 향상시키지만, 표면적인 특징에 과적합될 수 있으며 데이터셋 간의 일반화 성능이 떨어지는 문제가 있습니다. 본 연구에서는 사용 가능한 경우, 게시물을 함축된 진술과 정렬하고, 맥락적으로 제한된 반정형 부정 샘플링을 사용하여 학습 초점을 유사한 오분류 사례에 맞추는 3중항 기반 프레임워크인 ImpSH를 제안합니다. 또한 데이터 증강을 통해 양수 데이터를 생성하는 AugSH 방식을 검토합니다. BERT 및 HateBERT 모델을 사용한 IHC, SBIC, DynaHate 데이터셋에 대한 통제된 평가 결과, ImpSH는 기존의 지도 학습 기반 대비 학습 방법의 유효한 대안이며, 동일한 전처리 및 튜닝 예산을 사용할 때 교차 영역 성능을 종종 향상시킵니다. 정렬 및 균일성을 활용한 표현 분석 결과, 양수 데이터 쌍이 더 밀집되고 전체적인 분포가 균형 잡힌 것을 확인했으며, 질적 분석을 통해 도메인 변화 시 발생하는 일반적인 오탐 사례를 보여줍니다. 이러한 결과는 맥락적으로 제한된 방식으로 게시물을 해당 함축된 진술과 정렬하면 관련 암시 사항에 대한 더욱 안정적이고 일대일(bijective) 유사한 매핑을 제공하여 기존의 클러스터링 기반 표현 학습에서 발생하는 불안정성을 극복할 수 있음을 보여줍니다.

Classifying implicit hate speech remains a challenge, as intent is often masked through insinuation and context rather than explicit slurs. Prior supervised contrastive approaches improve in-domain detection but can overfit surface cues and struggle to transfer across datasets. We propose ImpSH, a triplet-based framework that aligns posts with implied statements when available and uses context-bounded semi-hard negatives to focus learning on near confusions. We also examine AugSH, which forms positives via data augmentation. In controlled evaluations on IHC, SBIC, and DynaHate with BERT and HateBERT, ImpSH is a viable alternative to standard supervised contrastive baselines and often improves cross-domain performance under matched preprocessing and tuning budgets. Representation analysis using alignment and uniformity indicates tighter positive pairs with balanced global spread, and qualitative nearest-neighbor case studies illustrate typical false negatives under domain shift. These results demonstrate that aligning posts with their implied statements via context-bounded mining provides a more stable, bijective-like mapping to related insinuations, overcoming the volatility inherent in traditional clustering-based representation learning.