論文の概要: Untangling the Unrestricted Web: Automatic Identification of Multilingual Registers

• arxiv url: http://arxiv.org/abs/2406.19892v2
• Date: Fri, 19 Jul 2024 20:40:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 00:42:21.572392
• Title: Untangling the Unrestricted Web: Automatic Identification of Multilingual Registers
• Title（参考訳）: 制限のないWebをアンタングする:多言語登録の自動識別
• Authors: Erik Henriksson, Amanda Myntti, Anni Eskelinen, Selcen Erten-Johansson, Saara Hellström, Veronika Laippala,
• Abstract要約: 本稿では16言語にわたるWebベースのデータセットにおけるレジスタの自動識別のためのディープラーニングモデルについて検討する。 多言語モデルは単言語モデルより一貫して優れており、特に訓練例が少なく、レジスタが小さい言語に有利であることを示す。
• 参考スコア（独自算出の注目度）: 1.1456104143595247
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article explores deep learning models for the automatic identification of registers - text varieties such as news reports and discussion forums - in web-based datasets across 16 languages. Identifying web registers, or genres, is crucial for understanding the content of web-scale datasets, which have become essential in corpus and computational linguistics. Despite recent advances, the full potential of register classifiers in the noisy, unrestricted web remains largely unexplored, particularly in multilingual settings. We experiment with various deep learning models using the Multilingual CORE corpora, newly introduced in this article, which includes 16 languages annotated with a detailed, hierarchical taxonomy of 25 registers designed to cover the entire web. Our classifiers achieve state-of-the-art results using a multi-label approach, demonstrating that competitive performance is possible using a relatively complex register taxonomy. However, all models hit a performance ceiling at approximately 80% F1 score, which we attribute to the non-discrete nature of web registers and the inherent uncertainty in labeling some documents. By pruning ambiguous examples, we enhance model performance to over 90%. Additionally, multilingual models consistently outperform monolingual ones, especially benefiting languages with fewer training examples and smaller registers. Although a zero-shot setting reduces performance by an average of 7%, these drops are not correlated with specific registers or languages. Instead, we find that registers are surprisingly similar across languages.
• Abstract（参考訳）: 本稿では16言語にわたるWebベースデータセットにおけるレジスタの自動識別のためのディープラーニングモデルについて検討する。 コーパスや計算言語学に欠かせない Web スケールデータセットの内容を理解するためには,Web レジスタやジャンルの同定が不可欠である。 最近の進歩にもかかわらず、ノイズの多い無制限のWebにおけるレジスタ分類器のポテンシャルは、特に多言語設定において、ほとんど探索されていないままである。 本論文で新たに紹介したMultilingual CORE corporaは,Web全体をカバーするように設計された25のレジスタの詳細な階層的な分類法を付加した16の言語を含む,さまざまなディープラーニングモデルを用いて実験を行った。 分類器は, 比較的複雑なレジスタ分類法を用いて, 競合性能が可能であることを示すマルチラベル手法を用いて, 最先端の結果を得る。 しかし、全てのモデルが約80%のF1スコアで性能天井に到達し、これはWebレジスタの非離散性と、いくつかの文書をラベル付けする際固有の不確実性に起因する。 あいまいな例を抽出することにより、モデル性能を90%以上に向上させる。 さらに、多言語モデルは単言語モデルよりも一貫して優れており、特に少ないトレーニング例と少ないレジスタを持つ言語に便益がある。 ゼロショット設定はパフォーマンスを平均7%削減するが、これらのドロップは特定のレジスタや言語と相関しない。 その代わり、レジスタは言語間で驚くほど似ています。

関連論文リスト

• Exploring the Role of Transliteration in In-Context Learning for Low-resource Languages Written in Non-Latin Scripts [50.40191599304911]
  非ラテン文字で書かれた低リソース言語に対するLLMの性能向上にも効果があるか検討する。 本稿では,(1) の原文,(2) ラテン文字,(3) の両文を対象とする3つのプロンプトテンプレートを提案する。 本研究の結果から,翻訳の有効性はタスクタイプやモデルサイズによって異なることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-02T14:51:20Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• Efficient Spoken Language Recognition via Multilabel Classification [53.662747523872305]
  我々のモデルは,現在の最先端手法よりも桁違いに小さく,高速でありながら,競争力のある結果が得られることを示す。 我々のマルチラベル戦略は、マルチクラス分類よりも非ターゲット言語の方が堅牢である。
  論文  参考訳（メタデータ） (2023-06-02T23:04:19Z)
• Using Language Models on Low-end Hardware [17.33390660481404]
  本稿では,ローエンドハードウェア上でテキスト分類ネットワークをトレーニングするための固定言語モデルの有効性について検討する。 言語モデルとCNNアーキテクチャを組み合わせて、トピック、感情、ジャンルのシングルラベルとマルチラベルの分類をカバーする8つのデータセットで包括的なベンチマークを作成した。
  論文  参考訳（メタデータ） (2023-05-03T18:00:03Z)
• Language-Agnostic Website Embedding and Classification [12.86558129722198]
  92言語で100万以上のWebサイトを持つデータセットをリリースし、Curlieから相対ラベルを収集しました。 ホームページに基づいてWebサイトを分類・埋め込みするマシン学習モデルであるHomepage2Vecを紹介する。 ホームページ2Vecは、マクロ平均F1スコア0.90のWebサイトを正しく分類し、低および高ソース言語で安定したパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-01-10T22:31:48Z)
• Sentiment analysis in tweets: an assessment study from classical to modern text representation models [59.107260266206445]
  Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。 非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。 本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-05-29T21:05:28Z)
• 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)
• Beyond the English Web: Zero-Shot Cross-Lingual and Lightweight Monolingual Classification of Registers [0.6526029433717663]
  Web文書のレジスタ分類のクロスリンガル転送について検討する。 フランス語とスウェーデン語の2つの新しいレジスタアノテートコーポラ、FreCOREとSweCOREを紹介します。 深い学習済み言語モデルは、これらの言語で強く機能し、英語とフィンランド語の以前の最新技術を上回る性能を発揮します。
  論文  参考訳（メタデータ） (2021-02-15T08:40:08Z)
• Leveraging Adversarial Training in Self-Learning for Cross-Lingual Text Classification [52.69730591919885]
  本稿では,ラベル保存型入力摂動の最大損失を最小限に抑える半教師付き対向学習法を提案する。 多様な言語群に対する文書分類と意図分類において,有効性が著しく向上するのを観察する。
  論文  参考訳（メタデータ） (2020-07-29T19:38:35Z)

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。