Fugu-MT 論文翻訳(概要): BabyLM Turns 4: Call for Papers for the 2026 BabyLM Workshop

論文の概要: BabyLM Turns 4: Call for Papers for the 2026 BabyLM Workshop

arxiv url: http://arxiv.org/abs/2602.20092v1
Date: Mon, 23 Feb 2026 18:02:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-24 17:42:02.938496
Title: BabyLM Turns 4: Call for Papers for the 2026 BabyLM Workshop
Title（参考訳）: BabyLMが4歳になった: 2026年のBabyLMワークショップのために論文を募集中
Authors: Leshem Choshen, Ryan Cotterell, Mustafa Omer Gul, Jaap Jumelet, Tal Linzen, Aaron Mueller, Suchir Salhan, Raj Sanjay Shah, Alex Warstadt, Ethan Gotlieb Wilcox,
Abstract要約: BabyLMは認知モデリングと言語モデリングの境界を解消することを目的としている。第4回BabyLMコンペティションに参加するためには,ワークショップ論文と研究者の両方が必要だ。
参考スコア（独自算出の注目度）: 73.0356575273869
License: http://creativecommons.org/licenses/by/4.0/
Abstract: BabyLM aims to dissolve the boundaries between cognitive modeling and language modeling. We call for both workshop papers and for researchers to join the 4th BabyLM competition. As in previous years, we call for participants in the data-efficient pretraining challenge in the general track. This year, we also offer a new track: Multilingual. We also call for papers outside the competition in any relevant areas. These include training efficiency, cognitively plausible research, weak model evaluation, and more.
Abstract（参考訳）: BabyLMは認知モデリングと言語モデリングの境界を解消することを目的としている。第4回BabyLMコンペティションに参加するためには,ワークショップ論文と研究者の両方が必要だ。これまでのように、一般トラックにおけるデータ効率向上のための事前学習課題の参加者を募集している。今年は、Multilingualという新しいトラックも提供します。関連分野のコンペ以外の論文も求めています。これには、トレーニングの効率性、認知的に妥当な研究、弱いモデル評価などが含まれる。

関連論文リスト

BabyBabelLM: A Multilingual Benchmark of Developmentally Plausible Training Data [30.00078536496021]
BabyBabelLMは、人がネイティブ言語を取得するまで、出生から観察する言語をモデル化するデータセットの集合である。我々は、45言語毎に1億の英単語をカバーし、発達的に妥当な事前学習データをキュレートする。
論文参考訳（メタデータ） (2025-10-11T10:50:47Z)
Findings of the BabyLM Challenge: Sample-Efficient Pretraining on Developmentally Plausible Corpora [84.03928547166873]
子どもたちは1億ワード未満の入力から言語を習得できる。大規模な言語モデルはデータ効率がはるかに低く、通常は3～4桁以上のデータを必要とするが、多くの評価において人間ほど性能は高くない。 BabyLM Challengeは、参加者が固定データ予算で言語モデルトレーニングを最適化するために競う共同作業である。
論文参考訳（メタデータ） (2025-04-10T23:22:43Z)
Towards Data-Efficient Language Models: A Child-Inspired Approach to Language Learning [2.565964707090901]
我々は,従来の大規模言語モデル (LLM) と比較して,データ量が大幅に少ない様々な言語モデル(LM)を訓練する手法を用いている。そこで本研究では,主に児童向け文字起こしから得られた1000万語からなるキュレートデータセットに基づいて学習したモデルを構築した。我々は語彙を32,000のトークンに減らし、言語習得の初期段階の子供たちの限られた語彙と整合させる。
論文参考訳（メタデータ） (2025-03-06T16:57:26Z)
BabyLM Turns 3: Call for papers for the 2025 BabyLM workshop [77.62533643491747]
BabyLMは認知モデリングと言語モデリングの境界を解消することを目的としている。第3回BabyLMコンペティションに参加するためには,ワークショップ論文と研究者の両方が必要だ。
論文参考訳（メタデータ） (2025-02-15T02:46:43Z)
BabyLMs for isiXhosa: Data-Efficient Language Modelling in a Low-Resource Context [2.57490464660469]
BabyLMの課題は、参加者にサンプル効率の良い言語モデルを開発することであった。申請は、子供が開発中に露出する単語の量に制限される、固定された英語コーパスで事前訓練された。データ効率のよい言語モデリングのための新しいアーキテクチャは、数兆ワードで訓練されたモデルよりも優れていた。
論文参考訳（メタデータ） (2025-01-07T15:13:45Z)
Findings of the Second BabyLM Challenge: Sample-Efficient Pretraining on Developmentally Plausible Corpora [79.03392191805028]
BabyLM Challengeは、人間と計算言語学習者のデータ効率ギャップを埋めるためのコミュニティの取り組みである。参加者は1億ワード以下の固定言語データ予算で、言語モデルトレーニングを最適化するために競争する。
論文参考訳（メタデータ） (2024-12-06T16:06:08Z)
A surprisal oracle for when every layer counts [2.5716627278119444]
Active Curriculum Language Modeling (ACLM)は、言語モデルをトレーニングするための学習者指向のアプローチである。本稿では,BabyLM 2024タスクに対するACLMプロセスの更新を提案する。
論文参考訳（メタデータ） (2024-12-04T07:53:45Z)
Adapting LLMs to Hebrew: Unveiling DictaLM 2.0 with Enhanced Vocabulary and Instruction Capabilities [2.047424180164312]
Hebrewのような低リソース言語での大規模言語モデル(LLM)のトレーニングには、ユニークな課題がある。我々はDictaLM2.0とDictaLM2.0-Instructを紹介した。
論文参考訳（メタデータ） (2024-07-09T17:51:37Z)
[Call for Papers] The 2nd BabyLM Challenge: Sample-efficient pretraining on a developmentally plausible corpus [81.34965784440176]
このCfPはBabyLM Challenge 2024-2025のルールを提供する。課題の全体的目標は同じままです。私たちは緩い線を紙の線で置き換える。事前学習に関するルールを緩和します。マルチモーダル・ヴィジュアル・アンド・ランゲージ・トラックを導入する。
論文参考訳（メタデータ） (2024-04-09T11:04:50Z)
CulturaX: A Cleaned, Enormous, and Multilingual Dataset for Large Language Models in 167 Languages [86.90220551111096]
大規模言語モデル(LLM)のトレーニングデータセットは、完全には公開されないことが多い。我々は167言語で6.3兆のトークンを持つ相当な多言語データセットであるCulturaXを紹介する。
論文参考訳（メタデータ） (2023-09-17T23:49:10Z)
Tencent AI Lab - Shanghai Jiao Tong University Low-Resource Translation System for the WMT22 Translation Task [49.916963624249355]
本稿では, Tencent AI Lab - Shanghai Jiao Tong University (TAL-SJTU) Low-Resource Translation system for the WMT22 shared taskについて述べる。我々は、英語$Leftrightarrow$Livonianの一般的な翻訳作業に参加する。本システムは,M2M100を対象言語に適応させる新しい手法を用いて構築した。
論文参考訳（メタデータ） (2022-10-17T04:34:09Z)

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。