論文の概要: Look Ma, Only 400 Samples! Revisiting the Effectiveness of Automatic N-Gram Rule Generation for Spelling Normalization in Filipino

• arxiv url: http://arxiv.org/abs/2210.02675v1
• Date: Thu, 6 Oct 2022 04:41:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 16:17:03.186687
• Title: Look Ma, Only 400 Samples! Revisiting the Effectiveness of Automatic N-Gram Rule Generation for Spelling Normalization in Filipino
• Title（参考訳）: おばあちゃん サンプルは400個だけ! フィリピンの綴り正規化におけるn-gramルール自動生成の有効性の再検討
• Authors: Lorenzo Jaime Yu Flores
• Abstract要約: フィリピンのNLPアプリケーションの開発には、オンラインテキストをモデルで処理する能力が不可欠である。 自動ルール抽出によるN-Gram + Damerau Levenshtein距離モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With 84.75 million Filipinos online, the ability for models to process online text is crucial for developing Filipino NLP applications. To this end, spelling correction is a crucial preprocessing step for downstream processing. However, the lack of data prevents the use of language models for this task. In this paper, we propose an N-Gram + Damerau Levenshtein distance model with automatic rule extraction. We train the model on 300 samples, and show that despite limited training data, it achieves good performance and outperforms other deep learning approaches in terms of accuracy and edit distance. Moreover, the model (1) requires little compute power, (2) trains in little time, thus allowing for retraining, and (3) is easily interpretable, allowing for direct troubleshooting, highlighting the success of traditional approaches over more complex deep learning models in settings where data is unavailable.
• Abstract（参考訳）: オンラインで8475万人のフィリピン人がいるため、オンラインテキストを処理するモデルがフィリピンのNLPアプリケーションの開発に不可欠である。 これにより、下流処理においてスペル補正が重要な前処理ステップとなる。 しかし、データの欠如は、このタスクに言語モデルの使用を妨げている。 本稿では,N-Gram + Damerau Levenshtein距離モデルを提案する。 我々は300のサンプルでモデルをトレーニングし、限られたトレーニングデータにもかかわらず、優れた性能を発揮し、精度と編集距離の点で他のディープラーニングアプローチよりも優れていることを示す。 さらに,(1) モデルでは計算能力が少なく,(2) 列車の運転時間が少なく,(2) 列車の再訓練が可能で,(3) は容易に解釈可能であり,直接トラブルシューティングが可能であり,データの入手不能な環境でのより複雑なディープラーニングモデルに対する従来のアプローチの成功を強調している。

関連論文リスト

• Accelerating Large Language Model Pretraining via LFR Pedagogy: Learn, Focus, and Review [50.78587571704713]
  大規模言語モデル(LLM)の事前トレーニングは伝統的に、Webスケールデータセットからランダムにサンプリングされたデータブロックの自己回帰言語モデリングに依存している。 我々は、空間的反復のような人間の学習技術からインスピレーションを得て、LLMのランダムなデータサンプリングが、データを忘れがちな高いトレーニングコストと低品質モデルをもたらすという仮説を立てる。 ウェブスケール情報を長期記憶に効果的にコミットするために,LFR(Learn, Focus, and Review)ペタゴギーを提案する。
  論文  参考訳（メタデータ） (2024-09-10T00:59:18Z)
• Unsupervised Pre-training with Language-Vision Prompts for Low-Data Instance Segmentation [105.23631749213729]
  低データ体制における教師なし事前学習のための新しい手法を提案する。 最近成功したプロンプト技術に触発されて,言語ビジョンプロンプトを用いた教師なし事前学習法を導入した。 提案手法は,低データ方式のCNNモデルよりも高速に収束し,性能がよいことを示す。
  論文  参考訳（メタデータ） (2024-05-22T06:48:43Z)
• Back to Patterns: Efficient Japanese Morphological Analysis with Feature-Sequence Trie [9.49725486620342]
  本研究は,最も高速なパターンベースNLP法について,可能な限り高精度に再検討する。 提案手法は,形態素辞書と注釈付きデータから信頼性のあるパターンを誘導する。 2つの標準データセットの実験結果から,本手法が学習ベースラインに匹敵する精度を示した。
  論文  参考訳（メタデータ） (2023-05-30T14:00:30Z)
• LIMA: Less Is More for Alignment [112.93890201395477]
  65B パラメータ LLaMa 言語モデル LIMA のトレーニングを行う。 LIMAは、非常に強力なパフォーマンスを示し、少数の例から特定のレスポンスフォーマットに従うことを学ぶ。 制御されたヒトの研究では、LIMAからの反応は43%の症例において、GPT-4に等しいか、厳格に好まれる。
  論文  参考訳（メタデータ） (2023-05-18T17:45:22Z)
• Privacy Adhering Machine Un-learning in NLP [66.17039929803933]
  現実の業界では、機械学習を使ってユーザデータに基づくモデルを構築します。 このような委任事項には、データだけでなく、モデルの再トレーニングにも労力が要る。 データの継続的な削除と モデル再訓練のステップはスケールしません この課題に対処するために、textitMachine Unlearningを提案する。
  論文  参考訳（メタデータ） (2022-12-19T16:06:45Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• Complementary Ensemble Learning [1.90365714903665]
  我々は最先端のディープラーニングモデルの性能向上手法を考案した。 具体的には、最先端モデルの不確実性を補完できる補助モデルを訓練する。
  論文  参考訳（メタデータ） (2021-11-09T03:23:05Z)
• LiST: Lite Self-training Makes Efficient Few-shot Learners [91.28065455714018]
  LiSTは古典的な微調整法よりも35%改善し、プロンプトチューニングよりも6%改善した。
  論文  参考訳（メタデータ） (2021-10-12T18:47:18Z)
• BERT Fine-Tuning for Sentiment Analysis on Indonesian Mobile Apps Reviews [1.5749416770494706]
  本研究では,2種類の事前学習モデルを用いた感情分析における細調整BERTの有効性について検討した。 使用されるデータセットは、インドネシアのGoogle Playサイトで2020年のトップ10アプリのユーザーレビューである。 また,2つのトレーニングデータラベリング手法を用いて,スコアベースとレキシコンベースのモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-14T16:00:15Z)
• ERNIE 3.0: Large-scale Knowledge Enhanced Pre-training for Language Understanding and Generation [25.430130072811075]
  大規模知識強化モデルの事前学習のための統合フレームワーク ERNIE 3.0 を提案する。 自動回帰ネットワークと自動エンコードネットワークを融合することで、トレーニングされたモデルを自然言語理解と生成タスクの両方に容易に適合させることができる。 我々は,テキストと大規模知識グラフからなる4TBコーパス上で,100億のパラメータでモデルを訓練した。
  論文  参考訳（メタデータ） (2021-07-05T16:54:59Z)
• Aligning the Pretraining and Finetuning Objectives of Language Models [1.0965065178451106]
  言語モデル学習において,事前学習目標と微調整目標との整合性はタスクの微調整性能を著しく向上させることを示す。 我々は、何百もの訓練例かそれ以下の「いくつかの事例学習」の存在下で、微調整された小言語モデルを命名する。 実際には、客観的アライメントによって実現されたFew Example Learningは、人間のラベリングコストを節約するだけでなく、よりリアルタイムなアプリケーションで言語モデルを活用することもできる。
  論文  参考訳（メタデータ） (2020-02-05T21:40:50Z)

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。