論文の概要: CorPipe at CRAC 2026: Empty Nodes and Cross-Lingual Transfer in Multilingual Coreference Resolution

• arxiv url: http://arxiv.org/abs/2605.30133v1
• Date: Thu, 28 May 2026 16:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.461198
• Title: CorPipe at CRAC 2026: Empty Nodes and Cross-Lingual Transfer in Multilingual Coreference Resolution
• Title（参考訳）: CorPipe at CRAC 2026: Empty Nodes and Cross-Lingual Transfer in Multilingual Coreference Resolution (英語)
• Authors: Milan Straka,
• Abstract要約: CorPipe 26はCorPipe 25の改良版で、空のノードを予測し、参照とコア参照リンクを単一のモデルで生成する。 我々のシステムは、LLMトラックの他の全ての投稿を2.8%、制約なしトラックの全ての投稿を9.5%上回っている。
• 参考スコア（独自算出の注目度）: 0.6671865055671308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce CorPipe 26, our winning submission to the CRAC 2026 Shared Task on Multilingual Coreference Resolution. The fifth edition of this shared task focuses mainly on the comparison of generative LLMs and specialized systems; additionally, 5 more datasets and 2 new languages are introduced. CorPipe 26 is an improved version of CorPipe 25, with a new variant predicting empty nodes together with mentions and coreference links in a single model. Our system outperforms all other submissions in the LLM track by 2.8 percent points and all submissions in the unconstrained track by 9.5 percent points. Furthermore, we perform a series of ablation experiments with different model sizes, empty node prediction methods, and cross-lingual zero-shot evaluation. The source code and the trained models are publicly available at https://github.com/ufal/crac2026-corpipe.
• Abstract（参考訳）: 我々はCorPipe 26を紹介する。 CRAC 2026 Shared Task on Multilingual Coreference Resolution。 この共有タスクの第5版は、主に生成LDMと特殊システムの比較に焦点を当てており、さらに5つのデータセットと2つの新しい言語が導入されている。 CorPipe 26はCorPipe 25の改良版で、空のノードを予測し、参照とコア参照リンクを単一のモデルで生成する。 我々のシステムは、LLMトラックの他の全ての投稿を2.8%、制約なしトラックの全ての投稿を9.5%上回っている。 さらに、異なるモデルサイズでの一連のアブレーション実験、空のノード予測法、言語間ゼロショット評価を行う。 ソースコードとトレーニングされたモデルはhttps://github.com/ufal/crac2026-corpipeで公開されている。

関連論文リスト

• OSGNet with MLLM Reranking @ Ego4D Episodic Memory Challenge 2026 [75.6762616797288]
  我々はCVPR 2026でEgo4D Episodic Memory Challengeの自然言語クエリとGoalStepトラックのチャンピオンソリューションを提示する。 マルチモーダル大言語モデル(MLLM)の強力なビデオ言語推論能力を効果的に活用する再ランクベースのフレームワークを提案する。 提案手法は自然言語クエリとGoalStepトラックの両方で1位を獲得した。
  論文  参考訳（メタデータ） (2026-05-20T07:14:11Z)
• CorPipe at CRAC 2025: Evaluating Multilingual Encoders for Multilingual Coreference Resolution [0.6671865055671308]
  CorPipe 25 は CRAC 2025 Shared Task on Multilingual Coreference Resolution の勝者である。 当システムでは,LLMおよび非制約トラックにおける他の全ての提案よりも,実質的なマージンが8ポイント向上した。
  論文  参考訳（メタデータ） (2025-09-22T14:51:37Z)
• CorPipe at CRAC 2024: Predicting Zero Mentions from Raw Text [1.2772632966631616]
  我々は,CorPipe 24,CRAC 2024Shared Task on Multilingual Coreference Resolutionについて述べる。 このタスクの第3イテレーションでは、新しい目的として、ゼロコア参照参照に必要な空のノードを予測することが挙げられる。 どちらの設定でも、CorPipeは、それぞれ3.9ポイントと2.8%の差で他の参加者を上回っている。
  論文  参考訳（メタデータ） (2024-10-03T17:58:55Z)
• Embracing Language Inclusivity and Diversity in CLIP through Continual Language Learning [58.92843729869586]
  視覚言語事前学習モデル (VL-PTMs) は近年、先進的なマルチモーダル研究を行っているが、英語のようないくつかの言語での習得は、より広いコミュニティにおける適用性を制限している。 我々は,連続言語学習(CLL)によってVL-PTMの言語能力を拡張することを提案する。 我々は,MSCOCOおよびXM3600データセットに基づく36言語をカバーするCLLベンチマークを構築し,多言語画像テキスト検索性能を評価する。
  論文  参考訳（メタデータ） (2024-01-30T17:14:05Z)
• ÚFAL CorPipe at CRAC 2023: Larger Context Improves Multilingual Coreference Resolution [1.2772632966631616]
  CRAC 2023 Shared Task on Multilingual Coreference Resolution で優勝した CorPipe について述べる。 我々のシステムは、初期のマルチリンガル・コアス・パイプラインの改良版であり、他の参加者を4.5%の差で上回っている。
  論文  参考訳（メタデータ） (2023-11-24T10:15:34Z)
• Ensemble Transfer Learning for Multilingual Coreference Resolution [60.409789753164944]
  非英語で作業する場合に頻繁に発生する問題は、注釈付きトレーニングデータの不足である。 我々は,様々なトランスファー学習技術を組み合わせた,シンプルだが効果的なアンサンブルベースのフレームワークを設計する。 また、ウィキペディアアンカーテキストを利用して、コア参照解決モデルをブートストラップする低コストのTL手法を提案する。
  論文  参考訳（メタデータ） (2023-01-22T18:22:55Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• Explicit Alignment Objectives for Multilingual Bidirectional Encoders [111.65322283420805]
  本稿では,多言語エンコーダAMBER(Aligned Multilingual Bi-directional EncodeR)の学習方法を提案する。 AMBERは、異なる粒度で多言語表現を整列する2つの明示的なアライメント目標を使用して、追加の並列データに基づいて訓練される。 実験結果から、AMBERは、シーケンスタグ付けで1.1平均F1スコア、XLMR-大規模モデル上での検索で27.3平均精度を得ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T18:34:13Z)

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。