論文の概要: Chinese Spelling Correction: A Comprehensive Survey of Progress, Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2502.11508v1
• Date: Mon, 17 Feb 2025 07:17:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:16:02.169184
• Title: Chinese Spelling Correction: A Comprehensive Survey of Progress, Challenges, and Opportunities
• Title（参考訳）: 中国語のspelling Correction: 進歩、挑戦、機会に関する総合的な調査
• Authors: Changchun Liu, Kai Zhang, Junzhe Jiang, Zixiao Kong, Qi Liu, Enhong Chen,
• Abstract要約: 中国語のスペル訂正(英語: Chinese Spelling Correction, CSC)は、中国語のテキスト中のスペルエラーを検出し修正することを目的とした自然言語処理における重要なタスクである。 このサーベイは、CSCの総合的な概要を提供し、事前訓練された言語モデルから大規模言語モデルへの進化をトレースし、この領域におけるそれぞれの長所と短所を批判的に分析する。
• 参考スコア（独自算出の注目度）: 47.33672187301346
• License:
• Abstract: Chinese Spelling Correction (CSC) is a critical task in natural language processing, aimed at detecting and correcting spelling errors in Chinese text. This survey provides a comprehensive overview of CSC, tracing its evolution from pre-trained language models to large language models, and critically analyzing their respective strengths and weaknesses in this domain. Moreover, we further present a detailed examination of existing benchmark datasets, highlighting their inherent challenges and limitations. Finally, we propose promising future research directions, particularly focusing on leveraging the potential of LLMs and their reasoning capabilities for improved CSC performance. To the best of our knowledge, this is the first comprehensive survey dedicated to the field of CSC. We believe this work will serve as a valuable resource for researchers, fostering a deeper understanding of the field and inspiring future advancements.
• Abstract（参考訳）: 中国語のスペル訂正(英語: Chinese Spelling Correction, CSC)は、中国語のテキスト中のスペルエラーを検出し修正することを目的とした自然言語処理における重要なタスクである。 このサーベイは、CSCの総合的な概要を提供し、事前訓練された言語モデルから大規模言語モデルへの進化をトレースし、この領域におけるそれぞれの長所と短所を批判的に分析する。 さらに、既存のベンチマークデータセットの詳細な検証を行い、それらの固有の課題と制限を強調します。 最後に、将来的な研究の方向性について、特にLCMのポテンシャルとCSC性能向上のための推論能力を活用することに焦点を当てて提案する。 私たちの知る限りでは、CSCの分野に関する総合的な調査としてはこれが初めてです。 我々は、この研究が研究者にとって貴重な資源となり、この分野の深い理解を促進し、将来の進歩を刺激すると信じている。

関連論文リスト

• A Survey on Large Language Models with Multilingualism: Recent Advances and New Frontiers [51.8203871494146]
  LLM(Large Language Models)の急速な開発は、自然言語処理における顕著な多言語機能を示している。 LLMのブレークスルーにもかかわらず、多言語シナリオの研究は依然として不十分である。 本調査は,多言語問題に対する研究コミュニティの取り組みを支援することを目的としており,LLMに基づく多言語自然言語処理における中核概念,鍵技術,最新の発展の包括的理解を提供する。
  論文  参考訳（メタデータ） (2024-05-17T17:47:39Z)
• Analyzing and Adapting Large Language Models for Few-Shot Multilingual NLU: Are We There Yet? [82.02076369811402]
  教師付きファインチューニング(SFT)、教師付きインストラクションチューニング(SIT)、インコンテキストラーニング(ICL)は、3つの代替であり、事実上の標準的アプローチである。 提案手法は,6つの高・低リソース言語,3つの異なるNLUタスク,多種多様な言語とドメインのセットアップを用いて,3つのアプローチを網羅的かつ体系的に比較する。 そこで本研究では,教師あり指導のチューニングが,性能とリソース要件の最良のトレードオフであることを示す。
  論文  参考訳（メタデータ） (2024-03-04T10:48:13Z)
• Are Large Language Models Good Fact Checkers: A Preliminary Study [26.023148371263012]
  大規模言語モデル(LLM)は、その卓越した推論能力と広範な知識リポジトリによって、大きな注目を集めている。 本研究の目的は,特定のファクトチェックサブタスクに対処する上で,様々なLSMを包括的に評価することである。
  論文  参考訳（メタデータ） (2023-11-29T05:04:52Z)
• A Survey of Confidence Estimation and Calibration in Large Language Models [86.692994151323]
  大規模言語モデル(LLM)は、様々な領域において幅広いタスクにまたがる顕著な機能を示している。 印象的なパフォーマンスにもかかわらず、彼らは世代内の事実上の誤りのために信頼できない。 信頼度を評価し、異なるタスクで調整することで、リスクを軽減し、LLMがより良い世代を創出できるようになります。
  論文  参考訳（メタデータ） (2023-11-14T16:43:29Z)
• CMMLU: Measuring massive multitask language understanding in Chinese [133.70911295934746]
  本稿では, 自然科学, 社会科学, 工学, 人文科学など, さまざまな分野をカバーする総合的な中国のベンチマークを紹介する。 CMMLUは、中国語の文脈における大きな言語モデルの知識と推論能力の評価におけるギャップを埋める。
  論文  参考訳（メタデータ） (2023-06-15T15:49:51Z)
• Out-of-Distribution Generalization in Text Classification: Past, Present, and Future [30.581612475530974]
  自然言語処理(NLP)における機械学習(ML)システムは、アウト・オブ・ディストリビューション(OOD)データへの一般化において重大な課題に直面している。 このことは、NLPモデルの堅牢性とその高い精度に関する重要な疑問を提起する。 本稿では,近年の進歩,方法,評価について概観する。
  論文  参考訳（メタデータ） (2023-05-23T14:26:11Z)
• Post Hoc Explanations of Language Models Can Improve Language Models [43.2109029463221]
  AMPLIFY(Post Hoc Explanations)を用いたインコンテキスト学習の活用によるモデル性能向上のための新しいフレームワークを提案する。 我々は,各入力特徴がモデル予測に与える影響を抽出し,帰属スコア(説明)を出力するポストホック説明手法を活用する。 AMPLIFYは,幅広いタスクに対して約10～25%の精度向上を実現している。
  論文  参考訳（メタデータ） (2023-05-19T04:46:04Z)
• Review of coreference resolution in English and Persian [8.604145658574689]
  参照解決(CR)は、同じ現実世界の実体を参照する表現を識別する。 本稿では、コア参照とアナフォラ分解能にまたがるCRの最近の進歩について考察する。 ペルシャのCRの独特な課題を認識し、このアンダーリソース言語に焦点をあてる。
  論文  参考訳（メタデータ） (2022-11-08T18:14:09Z)
• Low-resource Languages: A Review of Past Work and Future Challenges [68.8204255655161]
  NLPの現在の問題は、教師付きデータやネイティブスピーカーの数、専門家数といった、有用なトレーニング属性が欠けている低リソース言語のマッサージと処理である。 本稿は、この問題の解決に向けたこれまでの画期的な成果を簡潔に要約し、今後の研究の方向性の文脈における潜在的な改善について分析する。
  論文  参考訳（メタデータ） (2020-06-12T15:21:57Z)

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。