drug-detection-xlm-roberta-v3

判斷一個網頁是否為毒品販售站台的二元分類模型，用於淡江大學多模態毒品交易防制系統。 以 matt0513/drug-detection-xlm-roberta 為起點續訓。

與前一版的差異

前一版以 1:1 重採樣訓練（正負各 291 筆，多數類被隨機刪減）。 那讓模型偏向正類：線上 86.8% 的網頁被判到 90 分以上，precision 偏低。

這一版改為：

• 不重採樣，保留自然比例（正 976 / 負 1,291），改用 class weight 處理不平衡
• 加入 286 筆困難負樣本——承辦人員回報「模型判高風險但實際正常」的網頁， 例如驗毒試劑商店、粉體塗料（產品名含 silver haze）、聖誕燈飾（產品名含 plug）
• 加入 664 筆人工確認的毒品網頁，每個網域最多取 2 頁避免重複
• 以較小的學習率（1e-5）續訓 2 epoch，避免沖掉既有的判別能力

評估

獨立評估集：人工標註的真實網頁，網域層級與訓練資料零重疊。 輸入為完整網頁純文字（與線上實際使用的輸入一致）。

	前一版	本版
ROC-AUC	0.8889	0.9383
precision	0.743	0.893
recall	0.963	0.926
F1	0.839	0.909

套用完整判定規則後，送人工覆核的件數由 34 降為 28， 其中誤判由 9 降為 3，漏掉的毒品網站維持 2 個。

使用時的注意事項

判定門檻要跟著這一版重新設定。 前一版的分數幾乎只有 0 或 100， 本版的分布較連續，正樣本有部分落在 687 之間。 沿用前一版的門檻 60 會使漏報由 2 增為 4；實測門檻取 15 結果相同。

限制

• 評估樣本數有限（48 筆完整文字）
• 正樣本的標籤為網域層級人工確認後套用至該網域的頁面
• 輸入截斷為 256 token
• 本模型為分流輔助工具，不應作為單一判定依據