論文の概要: Findings of the Fifth Shared Task on Multilingual Coreference Resolution: Expanding Datasets for Long-Range Entities

• arxiv url: http://arxiv.org/abs/2605.21369v1
• Date: Wed, 20 May 2026 16:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.781772
• Title: Findings of the Fifth Shared Task on Multilingual Coreference Resolution: Expanding Datasets for Long-Range Entities
• Title（参考訳）: 多言語照合における第5次共有課題の発見:ロングレンジエンティティのためのデータセットの拡張
• Authors: Michal Novák, Miloslav Konopík, Anna Nedoluzhko, Martin Popel, Ondřej Pražák, Jakub Sido, Milan Straka, Zdeněk Žabokrtský, Daniel Zeman,
• Abstract要約: 本稿は,CODI-CRAC 2026と共同で開催されている多言語協調解決課題の第5版について述べる。 2026年版では、多くの単語や文にまたがる重要な距離にまたがる中心的連鎖として定義された長距離エンティティが特に強調されている。 このタスクは5つの新しいデータセットと2つの追加言語を組み込むことで言語の範囲を広げた。
• 参考スコア（独自算出の注目度）: 1.5851688800400288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper describes the fifth edition of the Shared Task on Multilingual Coreference Resolution, held in conjunction with the CODI-CRAC 2026 workshop. Building on previous iterations, the task required participants to develop systems capable of mention identification and identity-based coreference clustering. The 2026 edition specifically emphasizes long-range entities, defined as coreferential chains spanning significant distances, across many words and sentences. The task expanded its linguistic scope by incorporating five new datasets and two additional languages. These additions leverage version 1.4 of CorefUD, a harmonized multilingual collection comprising 27 datasets in 19 languages. In total, ten systems participated, including four LLM-based approaches (three fine-tuned models and one few-shot approach). While traditional systems still maintained their lead, LLMs demonstrated significant potential, suggesting they may soon challenge established approaches in future editions.
• Abstract（参考訳）: 本稿は,CODI-CRAC 2026ワークショップと共同で開催されている,多言語協調解決のための共有タスクの第5版について述べる。 以前のイテレーションをベースとしたタスクでは、参加者は識別とアイデンティティベースのコア参照クラスタリングに言及できるシステムを開発する必要があった。 2026年版では、多くの単語や文にまたがる重要な距離にまたがる中心的連鎖として定義された長距離エンティティが特に強調されている。 このタスクは5つの新しいデータセットと2つの追加言語を組み込むことで言語の範囲を広げた。 これらの追加は、19言語で27のデータセットからなる調和した多言語コレクションであるCorefUDのバージョン1.4を活用する。 LLMベースのアプローチ(3つの細調整されたモデルと1つの数発のアプローチ)を含む計10のシステムが参加した。 従来のシステムは依然としてリードを維持していたが、LLMは大きな可能性を示しており、将来の版で確立されたアプローチにすぐに挑戦する可能性があることを示唆している。

関連論文リスト

• Findings of the Fourth Shared Task on Multilingual Coreference Resolution: Can LLMs Dethrone Traditional Approaches? [1.5851688800400288]
  本稿は,多言語協調解決に関する共有課題の第4版の概要を述べる。 以前の版と同様に、参加者は参照を識別し、アイデンティティのコア参照に従ってそれらをクラスタ化するシステムを開発するよう求められた。 今年のタスクの重要な革新は、専用の大規模言語モデルトラックの導入だった。
  論文  参考訳（メタデータ） (2025-09-22T13:52:32Z)
• LUSIFER: Language Universal Space Integration for Enhanced Multilingual Embeddings with Large Language Models [89.13128402847943]
  LUSIFERは,LLMをベースとした多言語タスクの埋め込みモデルに,多言語監視を必要とせずに適用可能なゼロショット方式である。 LUSIFERのアーキテクチャは多言語エンコーダを組み、言語ユニバーサル学習者として機能し、埋め込み固有のタスクに最適化されたLLMベースの埋め込みモデルと組み合わせている。 5つの主要な埋め込みタスク、123の多様なデータセット、14言語にわたるカバレッジを含む新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-01T15:43:07Z)
• Findings of the Third Shared Task on Multilingual Coreference Resolution [1.4191726968556324]
  本稿では,CRAC 2024ワークショップの一環として開催されている多言語コア参照解決に関する共有タスクの第3版の概要について述べる。 以前の2版と同様に、参加者はアイデンティティ・コア推論に基づいて参照を識別しクラスタリングできるシステムを開発するよう求められた。 今年の版では、参加者にゼロアナフォラのための金のスロットを提供しないことによって、タスクの複雑さとリアリズムを増大させることで、現実世界の応用に向けて別の一歩を踏み出した。
  論文  参考訳（メタデータ） (2024-10-21T12:30:44Z)
• EMMA-500: Enhancing Massively Multilingual Adaptation of Large Language Models [50.459861376459656]
  EMMA-500は546言語にわたるテキストで継続訓練された大規模多言語言語モデルである。 本結果は,大規模言語モデルの言語能力拡大における継続事前学習の有効性を強調した。
  論文  参考訳（メタデータ） (2024-09-26T14:40:45Z)
• SemEval-2024 Shared Task 6: SHROOM, a Shared-task on Hallucinations and Related Observable Overgeneration Mistakes [48.83290963506378]
  本稿では,幻覚検出に焦点をあてた共有タスクであるSHROOMの結果について述べる。 このアプローチをどのように取り組んだかについて、いくつかの重要なトレンドを観察します。 チームの大多数が提案したベースラインシステムより優れていますが、トップスコアシステムのパフォーマンスは依然として、より困難なアイテムのランダムなハンドリングと一致しています。
  論文  参考訳（メタデータ） (2024-03-12T15:06:22Z)
• Findings of the 2023 ML-SUPERB Challenge: Pre-Training and Evaluation over More Languages and Beyond [87.4049283495551]
  2023年のMultilingual Speech Universal Performance Benchmark (ML-SUPERB) Challengeは、宣言されたSUPERBフレームワークに拡張される。 この挑戦は12のモデル提出と54の言語コーパスを集め、154の言語を含む包括的なベンチマークをもたらした。 この結果は、単にスケーリングモデルが多言語音声タスクにおける決定的な解決策ではないことを示唆している。
  論文  参考訳（メタデータ） (2023-10-09T08:30:01Z)
• OLR 2021 Challenge: Datasets, Rules and Baselines [23.878103387338918]
  本稿では,データプロファイル,4つのタスク,2つのベースライン,評価原則を紹介する。 言語識別(LID)タスクに加えて、OLR 2021 Challengeに初めて多言語自動音声認識(ASR)タスクが導入された。
  論文  参考訳（メタデータ） (2021-07-23T09:57:29Z)
• XGLUE: A New Benchmark Dataset for Cross-lingual Pre-training, Understanding and Generation [100.09099800591822]
  XGLUEは、大規模な言語間の事前トレーニングモデルのトレーニングに使用できる、新しいベンチマークデータセットである。 XGLUEは、自然言語理解と生成シナリオの両方をカバーする、11の多様化されたタスクを提供する。
  論文  参考訳（メタデータ） (2020-04-03T07:03:12Z)

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。