암시적 혐오 표현 (Implicit hate speech)을 분류하는 것은 여전히 어려운 과제입니다. 이는 의도가 노골적인 비속어보다는 암시와 문맥을 통해 숨겨지는 경우가 많기 때문입니다. 기존의 지도 대조 학습 (Supervised contrastive learning) 방식은 도메인 내 탐지 성능은 향상시키지만, 표면적인 단서에 과적합(Overfitting)될 수 있으며 데이터셋 간의 전이 (Transfer)에 어려움을 겪을 수 있습니다. 본 논문에서는 게시물을 가능한 경우 암시적 진술 (Implied statements)과 정렬하고, 문맥 제한적 Semi-hard negative mining을 사용하여 유사한 혼동 사례에 학습을 집중시키는 triplet 기반 프레임워크인 ImpSH를 제안합니다. 또한, 데이터 증강 (Data augmentation)을 통해 양성 샘플 (Positives)을 형성하는 AugSH에 대해서도 조사합니다. BERT 및 HateBERT를 사용하여 IHC, SBIC, DynaHate 데이터셋에 대해 통제된 평가를 수행한 결과, ImpSH는 표준 지도 대조 학습 베이스라인의 실행 가능한 대안이며, 동일한 전처리 및 튜닝 예산 하에서 교차 도메인 (Cross-domain) 성능을 종종 향상시킵니다. 정렬 (Alignment)과 균일성 (Uniformity)을 사용한 표현 분석 (Representation analysis) 결과, 균형 잡힌 전역적 확산과 함께 더 긴밀한 양성 쌍을 나타냈으며, 정성적인 최근접 이웃 (Nearest-neighbor) 사례 연구는 도메인 변화 (Domain shift) 하에서의 전형적인 거짓 음성 (False negatives) 사례를 보여줍니다. 이러한 결과는 문맥 제한적 마이닝을 통해 게시물을 암시적 진술과 정렬하는 것이 관련 암시 사항에 대해 더 안정적이고 단사 함수 (Bijective-like)와 유사한 매핑을 제공하며, 전통적인 클러스터링 기반 표현 학습에 내재된 변동성을 극복한다는 것을 입증합니다.