論文の概要: Approaches to Corpus Creation for Low-Resource Language Technology: the Case of Southern Kurdish and Laki

• arxiv url: http://arxiv.org/abs/2304.01319v1
• Date: Mon, 3 Apr 2023 19:36:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 16:37:07.531830
• Title: Approaches to Corpus Creation for Low-Resource Language Technology: the Case of Southern Kurdish and Laki
• Title（参考訳）: 低リソース言語技術のためのコーパス作成へのアプローチ--南クルド語とラキ語を事例として
• Authors: Sina Ahmadi and Zahra Azin and Sara Belelli and Antonios Anastasopoulos
• Abstract要約: このような表現不足言語,特に書込みや標準化における課題について述べる。 また、クルド語やザザ・ゴラーニ語の他の変種に照らして、言語識別の課題についても検討する。
• 参考スコア（独自算出の注目度）: 29.27024733066261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the major challenges that under-represented and endangered language communities face in language technology is the lack or paucity of language data. This is also the case of the Southern varieties of the Kurdish and Laki languages for which very limited resources are available with insubstantial progress in tools. To tackle this, we provide a few approaches that rely on the content of local news websites, a local radio station that broadcasts content in Southern Kurdish and fieldwork for Laki. In this paper, we describe some of the challenges of such under-represented languages, particularly in writing and standardization, and also, in retrieving sources of data and retro-digitizing handwritten content to create a corpus for Southern Kurdish and Laki. In addition, we study the task of language identification in light of the other variants of Kurdish and Zaza-Gorani languages.
• Abstract（参考訳）: 言語技術において過度に表現され、絶滅危惧されている言語コミュニティが直面する大きな課題の1つは、言語データの欠如または欠如である。 これはまた、クルド語とラキ語の南の品種で、道具の実質的な進歩とともに非常に限られた資源が利用可能である場合でもある。 そこで本稿では、クルド南部でコンテンツを放送するローカルラジオ局であるローカルニュースサイトと、ラキのフィールドワークに依存するいくつかのアプローチを提案する。 本稿では,このような未表現言語の課題,特に文書作成と標準化,そして南クルド語とラキ語のためのコーパスを作成するために,データソースの検索や手書きコンテンツの遡及といった課題について述べる。 さらに,クルド語およびザザ・ゴラーニ語以外の変種に照らして,言語識別の課題について検討した。

関連論文リスト

• Recent Advancements and Challenges of Turkic Central Asian Language Processing [4.189204855014775]
  中央アジアのトルコ語に対するNLPの研究は、典型的に低リソースの言語課題に直面している。 最近の進歩には、言語固有のデータセットの収集や、下流タスクのためのモデルの開発が含まれる。
  論文  参考訳（メタデータ） (2024-07-06T08:58:26Z)
• Voices Unheard: NLP Resources and Models for Yorùbá Regional Dialects [72.18753241750964]
  Yorub'aは、約4700万人の話者を持つアフリカの言語である。 アフリカ語のためのNLP技術開発への最近の取り組みは、彼らの標準方言に焦点を当てている。 我々は、このギャップを埋めるために、新しい高品質のパラレルテキストと音声コーパスを導入する。
  論文  参考訳（メタデータ） (2024-06-27T22:38:04Z)
• CORI: CJKV Benchmark with Romanization Integration -- A step towards Cross-lingual Transfer Beyond Textual Scripts [50.44270798959864]
  一部の言語は、他の言語よりも接続性が良く、ターゲット言語は、密接に関連する言語からの転送の恩恵を受けることができる。 本研究では,言語間移動におけるソース言語の影響について検討し,対象言語と高い接触を持つソース言語を選択することの重要性を示す。
  論文  参考訳（メタデータ） (2024-04-19T04:02:50Z)
• Language and Speech Technology for Central Kurdish Varieties [27.751434601712]
  3000万人以上の話者が話すインド・ヨーロッパ語であるクルド語は、方言の連続語であると考えられている。 クルド語のための言語と音声技術に対処する以前の研究は、マクロ言語としてモノリシックな方法でそれを扱う。 本稿では,中央クルド語多種多様な言語・音声技術のための資源開発への一歩を踏み出した。
  論文  参考訳（メタデータ） (2024-03-04T12:27:32Z)
• NusaWrites: Constructing High-Quality Corpora for Underrepresented and Extremely Low-Resource Languages [54.808217147579036]
  インドネシアの地方言語について事例研究を行う。 データセット構築におけるオンラインスクラップ,人文翻訳,および母語話者による段落作成の有効性を比較した。 本研究は,母語話者による段落作成によって生成されたデータセットが,語彙的多様性と文化的内容の点で優れた品質を示すことを示す。
  論文  参考訳（メタデータ） (2023-09-19T14:42:33Z)
• Romanization-based Large-scale Adaptation of Multilingual Language Models [124.57923286144515]
  大規模多言語事前学習言語モデル (mPLMs) は,NLPにおける多言語間移動のデファクトステートとなっている。 我々は、mPLMをローマン化および非ロマン化した14の低リソース言語コーパスに適用するためのデータとパラメータ効率の戦略を多数検討し、比較した。 以上の結果から, UROMAN をベースとしたトランスリテラルは,多くの言語で高い性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-04-18T09:58:34Z)
• Transfer to a Low-Resource Language via Close Relatives: The Case Study on Faroese [54.00582760714034]
  言語間のNLP転送は、高ソース言語のデータとモデルを活用することで改善できる。 我々は、名前付きエンティティ認識(NER)、セマンティックテキスト類似性(STS)、スカンジナビア全言語で訓練された新しい言語モデルのためのFaroeseデータセットとFaroeseデータセットの新しいWebコーパスをリリースする。
  論文  参考訳（メタデータ） (2023-04-18T08:42:38Z)
• Cross-lingual Offensive Language Identification for Low Resource Languages: The Case of Marathi [2.4737119633827174]
  MOLDはMarathiのためにコンパイルされた最初のデータセットであり、低リソースのインド・アーリア語の研究のための新しいドメインを開設した。 このデータセットに関するいくつかの機械学習実験の結果は、ゼロショートや最先端の言語間変換器に関する他のトランスファーラーニング実験を含む。
  論文  参考訳（メタデータ） (2021-09-08T11:29:44Z)
• Towards Machine Translation for the Kurdish Language [0.0]
  機械翻訳は、ある言語から別の言語にコンピュータを使ってテキストを翻訳するタスクである。 インド・ヨーロッパ語であるクルド語はこの領域でほとんど注目を集めていない。 本稿では,Sorani Kurdish-British翻訳のためのニューラルマシン翻訳モデルのトレーニングに適した少ない並列データについて述べる。
  論文  参考訳（メタデータ） (2020-10-12T21:28:57Z)
• Leveraging Multilingual News Websites for Building a Kurdish Parallel Corpus [0.6445605125467573]
  クルド語、ソラニ語、クルマンジ語の2つの主要方言に12,327の翻訳ペアを含むコーパスを提示する。 また、英語のクルマンジ語と英語のソルニ語で1,797と650の翻訳ペアを提供している。
  論文  参考訳（メタデータ） (2020-10-04T11:52:50Z)
• XCOPA: A Multilingual Dataset for Causal Commonsense Reasoning [68.57658225995966]
  XCOPA (Cross-lingual Choice of Plausible Alternatives) は11言語における因果コモンセンス推論のための多言語データセットである。 提案手法は,翻訳に基づく転送と比較して,現在の手法の性能が低下していることを明らかにする。
  論文  参考訳（メタデータ） (2020-05-01T12:22:33Z)

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。