論文の概要: CLaC at DISRPT 2025: Hierarchical Adapters for Cross-Framework Multi-lingual Discourse Relation Classification

• arxiv url: http://arxiv.org/abs/2509.16903v1
• Date: Sun, 21 Sep 2025 03:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.0312
• Title: CLaC at DISRPT 2025: Hierarchical Adapters for Cross-Framework Multi-lingual Discourse Relation Classification
• Title（参考訳）: DISRPT 2025におけるCLaC:多言語対話関係分類のための階層型適応器
• Authors: Nawar Turk, Daniele Comitogianni, Leila Kosseim,
• Abstract要約: タスク3では、39のコーパスにまたがる17の談話関係ラベルが16の言語と6の談話フレームワークで統合されている。 まず、多言語BERTベースのモデルに2つの引数順序戦略とプログレッシブ・フリーズ比を併用してタスクをベンチマークする。 次に、ゼロショットおよび少数ショット設定でプロンプトベースの大規模言語モデルを評価し、新たに提案された統一ラベルに対してLLMがどう反応するかを理解する。
• 参考スコア（独自算出の注目度）: 0.0509780930114934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present our submission to Task 3 (Discourse Relation Classification) of the DISRPT 2025 shared task. Task 3 introduces a unified set of 17 discourse relation labels across 39 corpora in 16 languages and six discourse frameworks, posing significant multilingual and cross-formalism challenges. We first benchmark the task by fine-tuning multilingual BERT-based models (mBERT, XLM-RoBERTa-Base, and XLM-RoBERTa-Large) with two argument-ordering strategies and progressive unfreezing ratios to establish strong baselines. We then evaluate prompt-based large language models (namely Claude Opus 4.0) in zero-shot and few-shot settings to understand how LLMs respond to the newly proposed unified labels. Finally, we introduce HiDAC, a Hierarchical Dual-Adapter Contrastive learning model. Results show that while larger transformer models achieve higher accuracy, the improvements are modest, and that unfreezing the top 75% of encoder layers yields performance comparable to full fine-tuning while training far fewer parameters. Prompt-based models lag significantly behind fine-tuned transformers, and HiDAC achieves the highest overall accuracy (67.5%) while remaining more parameter-efficient than full fine-tuning.
• Abstract（参考訳）: 本稿では,DisRPT 2025共有タスクの第3タスク(談話関係分類)について紹介する。 タスク3では、39のコーパスにまたがる17の談話関係ラベルを16の言語と6の談話フレームワークでまとめて導入し、多言語と多言語間の大きな課題を提起している。 まず,マルチリンガルBERTモデル (mBERT, XLM-RoBERTa-Base, XLM-RoBERTa-Large) を2つの引数順序戦略とプログレッシブ凍結比で微調整し,強いベースラインを確立する。 次に、ゼロショットおよび少数ショット設定でプロンプトベースの大規模言語モデル(Claude Opus 4.0)を評価し、LLMが新たに提案された統一ラベルにどのように反応するかを理解する。 最後に,階層型デュアルアダプタコントラスト学習モデルであるHiDACを紹介する。 その結果, トランスモデルの精度は向上するが, 改良は緩やかであり, エンコーダ層のトップ75%の凍結は, はるかに少ないパラメータをトレーニングしながら, 完全な微調整に匹敵する性能をもたらすことがわかった。 プロンプトベースのモデルは微調整トランスよりも大幅に遅れており、HiDACは完全な微調整よりもパラメータ効率が良いが、全体的な精度は67.5%である。

関連論文リスト

• Multi-Lingual Implicit Discourse Relation Recognition with Multi-Label Hierarchical Learning [0.05729426778193397]
  暗黙的談話関係認識(IDRR)のための最初の多言語・多言語分類モデルを提案する。 我々のモデルであるHArchは、最近リリースされたDiscoGeM 2.0コーパスで評価され、談話感覚間の階層的依存関係を利用して確率分布を予測する。 我々は,DiscoGeM 1.0コーパスにSOTAの結果を報告し,階層的アプローチの有効性をさらに検証した。
  論文  参考訳（メタデータ） (2025-08-28T12:30:32Z)
• Seed-X: Building Strong Multilingual Translation LLM with 7B Parameters [53.59868121093848]
  7Bパラメータサイズを持つオープンソースの言語モデル(LLM)のファミリーであるSeed-Xを紹介する。 ベースモデルは、28言語にわたるモノリンガルコンテンツとバイリンガルコンテンツの両方を含む、多種多様な高品質データセットで事前訓練されている。 その後、インストラクションモデルは、Chain-of-Thought(CoT)推論によって翻訳され、強化学習(RL)によりさらに強化され、多様な言語対をまたいだより良い一般化が達成される。
  論文  参考訳（メタデータ） (2025-07-18T03:19:43Z)
• Mario at EXIST 2025: A Simple Gateway to Effective Multilingual Sexism Detection [8.40042895828361]
  EXIST 2025 Task 1は、Llama 3.1 8Bの階層的低ランク適応(LoRA)を通じて、英語とスペイン語のツイートでテキストベースの性差別を検出する。 本手法では,3つの階層的なサブタスク間の依存関係を明示的にモデル化する条件付きアダプタルーティングを導入する。 提案手法は,トレーニング時間を75%削減し,モデルストレージを98%削減すると同時に,すべてのサブタスクで競合性能を実現する。
  論文  参考訳（メタデータ） (2025-07-15T05:30:32Z)
• A Hierarchical and Evolvable Benchmark for Fine-Grained Code Instruction Following with Multi-Turn Feedback [30.446511584123492]
  大規模言語モデル(LLM)はコード生成において著しく進歩しているが、階層化され多様な制約を持つ複雑なプログラミング命令に従う能力はいまだ探索されていない。 複数次元にわたるコード生成における命令追従の評価を目的とした総合ベンチマークであるMultiCodeIFを紹介する。 我々は14のプログラミング言語から得られた2,021のコードタスクを合成し、進化させ、フィードバック駆動型タスク変種によるマルチターン評価をサポートする。
  論文  参考訳（メタデータ） (2025-07-01T11:51:40Z)
• The Unreasonable Effectiveness of Model Merging for Cross-Lingual Transfer in LLMs [54.59207567677249]
  大規模言語モデル(LLM)は、ハイソース言語以外のタスクで依然として苦戦している。 本研究では,タスク固有のポストトレーニングデータが不足している低リソース言語への言語間移動について検討する。
  論文  参考訳（メタデータ） (2025-05-23T20:28:31Z)
• Mixture-of-Expert Conformer for Streaming Multilingual ASR [33.14594179710925]
  本稿では,マルチランガル・コンバータによるマルチランガル・コンバータを提案する。 提案したMoE層は、専門家の数が増加するにつれて、一定の数のパラメータを活性化することで効率的な推論を提供する。 提案したモデルを12言語で評価し,ベースラインよりも平均11.9%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2023-05-25T02:16:32Z)
• Adapted Multimodal BERT with Layer-wise Fusion for Sentiment Analysis [84.12658971655253]
  本稿では,マルチモーダルタスクのためのBERTベースのアーキテクチャであるAdapted Multimodal BERTを提案する。 アダプタはタスクの事前訓練された言語モデルを手動で調整し、融合層はタスク固有の層ワイドな音声視覚情報とテキストBERT表現を融合させる。 われわれは、このアプローチがより効率的なモデルにつながり、微調整されたモデルよりも優れ、ノイズの入力に堅牢であることを示した。
  論文  参考訳（メタデータ） (2022-12-01T17:31:42Z)

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。