PAST-TIDE: プロトタイプアンカー型ステートメントチューニングとトピック不変正規化によるスタンス検出

PAST-TIDE: Prototype-Anchored Statement Tuning with Topic-Invariant Normalization for Stance Detection

July 6, 2026

著者: Md. Shakhoyat Rahman Shujon, MD Jahid Hasan Jim, Md. Milon Islam, Md Rezwanul Haque, Fakhri Karray

cs.AI

要旨

我々は、NakbaNLP@LREC-COLING 2026におけるStanceNakba Shared Taskの両サブタスクを対象としたスタンス検出システム、PAST-TIDEを紹介する。その中核アイデアはステートメントチューニングである。スタンスをクローズスタイルのマスク言語モデリング（MLM）として再定義し、ランダムに初期化された分類ヘッドを追加する代わりに、言語化器（verbalizer）を用いて事前学習済みMLMヘッドを通じてラベル単語をスタンスカテゴリにマッピングする。これに、学習可能なクラスプロトタイプを用いてバッチサイズ非依存の対比学習を実現するプロトタイプ対比学習と、クロス・トピックのアラビア語スタンス検出のためのトピック条件付き層正規化を組み合わせる。公式リーダーボードにおいて、PAST-TIDEはサブタスクAでマクロF1スコア0.75、サブタスクBで0.74を達成しており、事前学習済みモデルへの最小限の構造的追加が低リソース設定でも競争力を維持できることを示している。

English

We introduce PAST-TIDE, our stance detection system addressing both subtasks of the StanceNakba Shared Task at NakbaNLP@LREC-COLING 2026. The main idea is statement tuning. We redefine stance as cloze-style masked language modeling (MLM), letting a verbalizer map label words to stance categories through the pre-trained MLM head rather than appending a randomly initialized classification head. We complement this with prototypical contrastive learning, which uses learnable class prototypes for batch-size independent contrastive training, and topic-conditional layer normalization for cross-topic Arabic stance detection. PAST-TIDE achieves macro-F1 scores of 0.75 for Subtask A and 0.74 for Subtask B on the official leaderboard, indicating that minimal architectural additions to a pre-trained model can remain competitive in low-resource settings.