論文の概要: Nigeria Machinery: A Low-Resource Industrial Dataset with a Domain-Grounded Reasoning Layer

• arxiv url: http://arxiv.org/abs/2607.07883v1
• Date: Wed, 08 Jul 2026 19:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.329258
• Title: Nigeria Machinery: A Low-Resource Industrial Dataset with a Domain-Grounded Reasoning Layer
• Title（参考訳）: ナイジェリアの機械: ドメインを囲む推論レイヤーを備えた低リソースの産業データセット
• Abstract要約: スパース数値から、チェーン・オブ・シークレットな推論の例を構築します。 各行で、プロンプトは実際のインジケータ、サブセクタ、年、それに由来するレコードのソースを指定します。 この修正によって、初期リリースの78点中1点から94点中94点までドメインベースプロンプトのシェアが増加し、すべての検索回答がそのソース値に一致していることが示されています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is relatively little, public, and model-ready data on industrial machinery for African economies. This makes it hard to do quantitative analysis or to train language models on numeric tasks grounded in that setting. We release two things to help with part of this problem. The first is the Nigeria Machinery Usage and Failures Dataset: 89 machine-level records across 28 indicators, covering Nigeria's manufacturing and oil and gas sectors from 2006 to 2025. Every record names a public source and is decoded by a codebook. The second is a method for building chain-of-thought (CoT) reasoning examples from these sparse numeric values. The result is 94 prompt, completion, and reasoning-trace rows. In every row, the prompt names the real indicator, subsector, year, and source of the record it comes from. The data adaptation work was carried out by Adaption Labs. Along the way we describe a problem that is common when language models are used to build datasets. The prompts can match the real numbers while saying nothing about the real domain. We show that fixing this raises the share of domain-grounded prompts from 1 out of 78 in an earlier release to 94 out of 94, and that every retrieval answer now matches its source value (84 out of 84). We release the data, the reasoning layer, and a per-row provenance file under CC-BY-4.0. We are clear about the limits. With 89 records and 17 indicators that have only one observation, this is a reference and seed dataset, not a large training set. Most reasoning rows are retrieval rather than multi-step computation.
• Abstract（参考訳）: アフリカ経済の産業機械に関する、比較的少ない、公的な、そしてモデル可能なデータがある。 これにより、定量的分析や、その設定に根ざした数値タスクで言語モデルをトレーニングすることは困難になります。 私たちはこの問題の一部に役立つ2つのものをリリースします。 ナイジェリアの製造業と石油・ガス部門を2006年から2025年までカバーし、28の指標にまたがる89の機械レベルの記録である。 すべてのレコードはパブリックソースを名付け、コードブックによってデコードされる。 2つ目は、これらのスパース数値の例を例に、チェーン・オブ・ソート(CoT)を構築する方法である。 その結果、94のプロンプト、完了、および推論トレース行が生成される。 各行で、プロンプトは実際のインジケータ、サブセクタ、年、それに由来するレコードのソースを指定します。 データ適応作業はAdaption Labsが行った。 その過程で、言語モデルを使用してデータセットを構築する場合に共通する問題を記述します。 プロンプトは実数と一致し、実領域については何も言わない。 この修正によって、前回のリリースでは78点中1点から94点中94点に増加し、検索回答はすべてソース値(84点中84点)と一致している。 我々は、CC-BY-4.0の下で、データ、推論層、および、ローズごとの証明ファイルをリリースする。 私たちはその限界についてはっきりしている。 89のレコードと17の指標が1つの観測しか持たないため、これは大規模なトレーニングセットではなく、参照とシードデータセットである。 ほとんどの推論行は、マルチステップの計算よりも検索である。

関連論文リスト

• WolBanking77: Wolof Banking Speech Intent Classification Dataset [4.277048718296238]
  目的分類における学術研究のために,Wolof Banking Speech Intent Classification データセット (WolBanking77) を導入する。 WolBanking77は現在、銀行ドメインに9,791通のテキスト文と4時間以上の音声文が含まれている。 WolBanking77データセットで学習したNLPモデルとASRモデルに基づいて,F1スコアと単語誤り率の基準値について報告する。
  論文  参考訳（メタデータ） (2025-09-23T17:34:10Z)
• Paloma: A Benchmark for Evaluating Language Model Fit [112.481957296585]
  言語モデル (LM) の評価では、トレーニングから切り離されたモノリシックなデータに難易度が報告されるのが一般的である。 Paloma(Perplexity Analysis for Language Model Assessment)は、546の英語およびコードドメインに適合するLMを測定するベンチマークである。
  論文  参考訳（メタデータ） (2023-12-16T19:12:45Z)
• Can Large Language Models Infer Causation from Correlation? [104.96351414570239]
  大規模言語モデル(LLM)の純粋因果推論スキルをテストする。 相関文の集合を取り、変数間の因果関係を決定する新しいタスクCorr2Causeを定式化する。 これらのモデルがタスクのランダムな性能にほぼ近い結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-09T12:09:15Z)
• Arithmetic-Based Pretraining -- Improving Numeracy of Pretrained Language Models [67.48894919842576]
  最先端の事前訓練された言語モデルは、数式を必要とするタスクにアウト・オブ・ボックスを適用すると、その能力より劣る傾向にある。 本稿では,Arithmetic-Based Pretrainingと呼ばれる拡張事前学習手法を提案する。 本実験は,算数性の向上を必要とする3つのタスクにおいて,算術的事前学習の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-13T16:10:13Z)
• The Influence of Domain-Based Preprocessing on Subject-Specific Clustering [55.41644538483948]
  大学におけるオンライン教育の大部分を突然移行させることで、学者の作業負荷が増大した。 この問題に対処するひとつの方法は、トピックに応じてこれらの質問をクラスタ化することです。 本稿では,タグ付けデータセットの領域を探求し,コードの抜粋の同定と経験的結果の提供に焦点をあてる。
  論文  参考訳（メタデータ） (2020-11-16T17:47:19Z)

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。