Fugu-MT 論文翻訳(概要): Neural Text Normalization for Luxembourgish using Real-Life Variation Data

論文の概要: Neural Text Normalization for Luxembourgish using Real-Life Variation Data

arxiv url: http://arxiv.org/abs/2412.09383v2
Date: Fri, 13 Dec 2024 12:08:28 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-16 11:43:04.171533
Title: Neural Text Normalization for Luxembourgish using Real-Life Variation Data
Title（参考訳）: 実生活変動データを用いたルクセンブルグ語のニューラルテキスト正規化
Authors: Anne-Marie Lutgen, Alistair Plum, Christoph Purschke, Barbara Plank,
Abstract要約: ByT5 と mT5 アーキテクチャを用いた最初のシーケンス・ツー・シーケンス正規化モデルを提案する。実生活変動データを用いたシーケンスモデルは,ルクセンブルク語におけるテーラーメイド正規化に有効な手法であることを示す。
参考スコア（独自算出の注目度）: 21.370964546752294
License:
Abstract: Orthographic variation is very common in Luxembourgish texts due to the absence of a fully-fledged standard variety. Additionally, developing NLP tools for Luxembourgish is a difficult task given the lack of annotated and parallel data, which is exacerbated by ongoing standardization. In this paper, we propose the first sequence-to-sequence normalization models using the ByT5 and mT5 architectures with training data obtained from word-level real-life variation data. We perform a fine-grained, linguistically-motivated evaluation to test byte-based, word-based and pipeline-based models for their strengths and weaknesses in text normalization. We show that our sequence model using real-life variation data is an effective approach for tailor-made normalization in Luxembourgish.
Abstract（参考訳）: オルソグラフィーの変種は、ルクセンブルク語文では、完全な標準変種が存在しないため、非常に一般的である。加えて、Luxembourgish用のNLPツールの開発は、標準化が進行中であるため、注釈付きおよび並列データがないため、難しい作業である。本稿では,単語レベルの実生活変動データから得られたトレーニングデータを用いて,ByT5およびmT5アーキテクチャを用いた最初のシーケンス・ツー・シーケンス正規化モデルを提案する。テキスト正規化の長所と短所について,バイトベース,単語ベース,パイプラインベースモデルを詳細に,言語的に動機づけた評価を行う。実生活変動データを用いたシーケンスモデルは,ルクセンブルク語におけるテーラーメイド正規化に有効な手法であることを示す。

関連論文リスト

Ensembling Finetuned Language Models for Text Classification [55.15643209328513]
ファインタニング(英: Finetuning)は、特定のタスクに事前訓練されたモデルを適用するために、様々なコミュニティで一般的なプラクティスである。ニューラルネットワークのアンサンブルは、通常、パフォーマンスを高め、信頼性の高い不確実性推定を提供するために使用される。 6つのデータセット上の5つの大きめのモデルから予測されたメタデータセットを提示し、異なるアンサンブル戦略の結果を報告する。
論文参考訳（メタデータ） (2024-10-25T09:15:54Z)
Context Normalization Layer with Applications [0.1499944454332829]
本研究では,画像データに対する文脈正規化と呼ばれる新しい正規化手法を提案する。各サンプルの特性に基づいて特徴のスケーリングを調整し、モデルの収束速度と性能を改善する。文脈正規化の有効性は様々なデータセットで示され、その性能は他の標準正規化手法と比較される。
論文参考訳（メタデータ） (2023-03-14T06:38:17Z)
Are Character-level Translations Worth the Wait? Comparing ByT5 and mT5 for Machine Translation [9.736284584478032]
特に微調整データに制限がある場合の翻訳における文字レベルのモデリングの有効性を示す。モデル予測の駆動におけるソーステキストの重要性を評価する一方で,ByT5内の単語レベルのパターンを強調した。我々は、バイトモデルの効率トレードオフを評価し、翻訳品質を高めるために、非時間クリティカルなシナリオでの使用法を提案する。
論文参考訳（メタデータ） (2023-02-28T00:50:19Z)
Evaluation of Transfer Learning for Polish with a Text-to-Text Model [54.81823151748415]
ポーランド語におけるテキスト・テキスト・モデルの質を評価するための新しいベンチマークを導入する。 KLEJベンチマークはテキスト・トゥ・テキスト、en-pl翻訳、要約、質問応答に適応している。本稿では,ポーランド語のための汎用テキスト・テキスト・ツー・テキスト・モデルであるplT5について述べる。
論文参考訳（メタデータ） (2022-05-18T09:17:14Z)
Learning to Generalize to More: Continuous Semantic Augmentation for Neural Machine Translation [50.54059385277964]
CsaNMT(Continuous Semantic Augmentation)と呼ばれる新しいデータ拡張パラダイムを提案する。 CsaNMTは各トレーニングインスタンスを、同じ意味の下で適切なリテラル式をカバーできる隣接領域で拡張する。
論文参考訳（メタデータ） (2022-04-14T08:16:28Z)
Sequence-to-Sequence Lexical Normalization with Multilingual Transformers [3.3302293148249125]
現在の自然言語処理のベンチマークタスクには、非公式な日々のデジタルコミュニケーションで使用されるテキストと質的に異なるテキストが含まれている。この不一致は、実世界のデータに基づいて微調整された場合、最先端のNLPモデルの大幅な性能劣化を引き起こした。機械翻訳問題として,mBARTに基づく文レベルのシーケンス・ツー・シーケンスモデルを提案する。
論文参考訳（メタデータ） (2021-10-06T15:53:20Z)
Consistency Regularization for Cross-Lingual Fine-Tuning [61.08704789561351]
整合性正規化による言語間微調整の改善を提案する。具体的には、例の整合性正規化を用いて、予測感度を4種類のデータ拡張にペナルティ化する。 XTREMEベンチマークの実験結果から,本手法は様々なタスクにおける言語間微調整を大幅に改善することが示された。
論文参考訳（メタデータ） (2021-06-15T15:35:44Z)
Neural Inverse Text Normalization [11.240669509034298]
逆テキスト正規化のための効率的かつ堅牢なニューラルソリューションを提案する。言語の専門家が手作業でカリキュラムを作成する必要なく、他の言語に簡単に拡張できることが示される。プリトレーニングと融合したトランスベースモデルは、複数のデータセットで一貫して低いwerを達成する。
論文参考訳（メタデータ） (2021-02-12T07:53:53Z)
SDA: Improving Text Generation with Self Data Augmentation [88.24594090105899]
自動データ拡張のための自己模倣学習フェーズを組み込むことにより,標準最大確率推定(MLE)パラダイムを改善することを提案する。既存の文レベルの拡張戦略とは異なり,本手法はより汎用的で,任意のMLEベースの訓練手順に容易に適応できる。
論文参考訳（メタデータ） (2021-01-02T01:15:57Z)
Semi-supervised Formality Style Transfer using Language Model Discriminator and Mutual Information Maximization [52.867459839641526]
フォーマル・スタイル・トランスファー(英: Formality style transfer)とは、非公式な文を文法的に正しい形式文に変換するタスクである。本稿では,言語モデルに基づく識別器を用いて,文が形式的である確率を最大化する半教師付き形式表現スタイル転送モデルを提案する。実験の結果,我々のモデルは,自動計測と人的判断の両面で,従来の最先端のベースラインを著しく上回りました。
論文参考訳（メタデータ） (2020-10-10T21:05:56Z)
Lexical Normalization for Code-switched Data and its Effect on POS-tagging [8.875272663730868]
コード切替データを扱うために特別に設計された3つの正規化モデルを提案する。本稿では,新しい正規化レイヤとそれに対応する言語IDとPOSタグをデータセットに導入する。その結果,CS-tailored normalization modelはId-En状態とTr-Deモノリンガルモデルより優れていた。
論文参考訳（メタデータ） (2020-06-01T18:07:15Z)

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。