論文の概要: Specializing Multilingual Language Models: An Empirical Study
- arxiv url: http://arxiv.org/abs/2106.09063v1
- Date: Wed, 16 Jun 2021 18:13:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:56:36.794441
- Title: Specializing Multilingual Language Models: An Empirical Study
- Title(参考訳): 多言語言語モデルの特化:実証的研究
- Authors: Ethan C. Chau, Noah A. Smith
- Abstract要約: 事前訓練された多言語モデルからの文脈化語表現は、自然言語タスクに対処するデファクトスタンダードとなっている。
これらのモデルではまれに、あるいは一度も見られない言語では、そのようなモデルを直接使用すると、最適な表現やデータの使用につながることが多い。
- 参考スコア(独自算出の注目度): 50.7526245872855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contextualized word representations from pretrained multilingual language
models have become the de facto standard for addressing natural language tasks
in many different languages, but the success of this approach is far from
universal. For languages rarely or never seen by these models, directly using
such models often results in suboptimal representation or use of data,
motivating additional model adaptations to achieve reasonably strong
performance. In this work, we study the performance, extensibility, and
interaction of two such adaptations for this low-resource setting: vocabulary
augmentation and script transliteration. Our evaluations on a set of three
tasks in nine diverse low-resource languages yield a mixed result, upholding
the viability of these approaches while raising new questions around how to
optimally adapt multilingual models to low-resource settings.
- Abstract(参考訳): 事前訓練された多言語言語モデルからの文脈化語表現は、多くの異なる言語における自然言語処理のデファクトスタンダードとなっているが、このアプローチの成功は普遍的ではない。
これらのモデルで見ることのできない言語の場合、そのようなモデルを直接使用すると、しばしばデータの準最適表現や使用が行われ、合理的に強力なパフォーマンスを達成するために追加のモデル適応が動機となる。
本研究では,この低リソース環境において,語彙拡張と文字翻訳という2つの適応の性能,拡張性,相互作用について検討する。
9つの異なる低リソース言語における3つのタスクのセットに対する評価は、これらのアプローチの有効性を維持しながら、低リソース設定に多言語モデルを最適に適応する方法に関する新しい疑問を提起する。
関連論文リスト
- Beyond Contrastive Learning: A Variational Generative Model for
Multilingual Retrieval [109.62363167257664]
本稿では,多言語テキスト埋め込み学習のための生成モデルを提案する。
我々のモデルは、$N$言語で並列データを操作する。
本手法は, 意味的類似性, ビットクストマイニング, 言語間質問検索などを含む一連のタスクに対して評価を行う。
論文 参考訳(メタデータ) (2022-12-21T02:41:40Z) - Analyzing the Mono- and Cross-Lingual Pretraining Dynamics of
Multilingual Language Models [73.11488464916668]
本研究では,多言語事前学習プロセスのダイナミクスについて検討する。
我々は,XLM-Rプレトレーニング全体から抽出したチェックポイントを,一連の言語的タスクを用いて探索する。
分析の結果,より複雑なものよりも低レベルな言語スキルが得られ,早期に高い言語性能が得られることがわかった。
論文 参考訳(メタデータ) (2022-05-24T03:35:00Z) - On the Universality of Deep COntextual Language Models [15.218264849664715]
ELMOやBERTのような深い文脈言語モデル(LM)は、自然言語処理のランドスケープを支配している。
XLM-RやmBERTのような多言語モデルでは、ゼロショットのクロスリンガル転送が期待できる結果となった。
この最初の成功により、訓練済みのモデルはユニバーサル言語モデルとして使用されている。
論文 参考訳(メタデータ) (2021-09-15T08:00:33Z) - Discovering Representation Sprachbund For Multilingual Pre-Training [139.05668687865688]
多言語事前学習モデルから言語表現を生成し、言語分析を行う。
すべての対象言語を複数のグループにクラスタリングし、表現のスプラックバンドとして各グループに名前を付ける。
言語間ベンチマークで実験を行い、強いベースラインと比較して大幅な改善が達成された。
論文 参考訳(メタデータ) (2021-09-01T09:32:06Z) - Are Multilingual Models Effective in Code-Switching? [57.78477547424949]
多言語モデルの有効性を検討し,複合言語設定の能力と適応性について検討する。
この結果から,事前学習した多言語モデルでは,コードスイッチングにおける高品質な表現が必ずしも保証されないことが示唆された。
論文 参考訳(メタデータ) (2021-03-24T16:20:02Z) - Evaluating Cross-Lingual Transfer Learning Approaches in Multilingual
Conversational Agent Models [1.52292571922932]
自然言語理解(NLU)モデルのための汎用多言語モデルフレームワークを提案する。
これらの多言語モデルが,言語固有のテストデータにまたがる単言語モデルと比較して,同等あるいは優れた性能に到達できることを示す。
論文 参考訳(メタデータ) (2020-12-07T17:14:52Z) - Cross-lingual Spoken Language Understanding with Regularized
Representation Alignment [71.53159402053392]
外部リソースを使わずに言語間で単語レベルの表現と文レベルの表現を整列する正規化手法を提案する。
言語間言語理解タスクの実験により、我々のモデルは、数ショットとゼロショットの両方のシナリオにおいて、最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-09-30T08:56:53Z) - Parsing with Multilingual BERT, a Small Corpus, and a Small Treebank [46.626315158735615]
事前訓練された多言語文脈表現は大きな成功を収めてきたが、事前訓練されたデータの制限のため、すべての言語品種に等しく適用されない。
このことは、ラベル付き未ラベルデータがモノリンガルモデルを効果的に訓練するにはあまりに限られている、これらのモデルに馴染みのない言語多様体にとっての課題である。
本稿では,低リソース環境に多言語モデルを適用するために,言語固有の事前学習と語彙拡張の利用を提案する。
論文 参考訳(メタデータ) (2020-09-29T16:12:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。