Fugu-MT 論文翻訳(概要): CyrillicQA: The Influence of Phonetically Encoded Secret Language on LLM Performance

論文の概要: CyrillicQA: The Influence of Phonetically Encoded Secret Language on LLM Performance

arxiv url: http://arxiv.org/abs/2608.21462v1
Date: Thu, 20 Aug 2026 19:48:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.168718
Title: CyrillicQA: The Influence of Phonetically Encoded Secret Language on LLM Performance
Title（参考訳）: CyrillicQA: 音声符号化された秘密言語がLLM性能に及ぼす影響
Abstract要約: 大型言語モデル (LLMs) は、ラテン文字を用いた言語からの標準言語入力において、大きな話者人口を持つ言語に対して最善を尽くす。しかし、人間のように音声で符号化された言語をデコードするために必要な創造性と抽象化能力も持っているだろうか?
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Due to the selection of their training data, large language models (LLMs) perform best on standard-language inputs from languages using the Latin alphabet with large speaker populations, while disadvantaging other language varieties. Nevertheless, they can also be a versatile tool for preserving precisely such endangered languages. But do they also possess the necessary creativity and capacity for abstraction to decode phonetically encoded language the same way humans do?
Abstract（参考訳）: 学習データの選択により、大きな言語モデル (LLM) はラテン文字を用いた言語からの標準言語入力に対して最善を尽くし、他の言語モデルには不利である。それでも、このような絶滅危惧言語を正確に保存するための汎用的なツールでもある。しかし、人間のように音声で符号化された言語をデコードするために必要な創造性と抽象化能力も持っているだろうか?

関連論文リスト

Do Multilingual LLMs have specialized language heads? [0.571097144710995]
本稿では,多言語LLMが言語毎に特化しているかどうかを考察する。対象言語の性能を低下させることなく、不必要な言語に対する言語固有のヘッドを除去する可能性を検討する。
論文参考訳（メタデータ） (2026-02-09T13:15:17Z)
Tracing Multilingual Representations in LLMs with Cross-Layer Transcoders [51.380449540006985]
大規模言語モデル(LLM)は多くの言語を処理できるが、どのようにして内部的にこの多様性を表現しているのかは不明だ。言語固有のデコーディングと多言語表現を共有できるのでしょうか? 層間トランスコーダ(CLT)と属性グラフを用いて内部メカニズムを解析する。
論文参考訳（メタデータ） (2025-11-13T22:51:06Z)
MYTE: Morphology-Driven Byte Encoding for Better and Fairer Multilingual Language Modeling [70.34758460372629]
多様な言語にまたがる一貫した大きさのセグメントで同一情報をエンコードする新しいパラダイムを導入する。 MYTEは99の言語すべてに対して短いエンコーディングを生成する。これにより、多言語LMの性能が向上し、多言語間でのパープレキシティギャップが減少する。
論文参考訳（メタデータ） (2024-03-15T21:21:11Z)
LEIA: Facilitating Cross-lingual Knowledge Transfer in Language Models with Entity-based Data Augmentation [21.980770995466134]
言語間で整列したウィキペディアのエンティティ名を利用する言語適応チューニング手法であるLEIAを紹介する。この方法は、ターゲット言語コーパスを英語のエンティティ名で拡張し、左から右への言語モデリングを用いてモデルを訓練することを含む。
論文参考訳（メタデータ） (2024-02-18T07:24:34Z)
Robust Open-Set Spoken Language Identification and the CU MultiLang Dataset [2.048226951354646]
オープンセット音声言語識別システムは、入力が元の言語を示さないことを検出できる。我々は,MFCCとピッチ特徴を用いたオープンセット音声言語識別のための新しい手法を実装した。我々は、訓練された言語で91.76%の精度を達成し、未知の言語に適応する能力を有する音声言語識別システムを提案する。
論文参考訳（メタデータ） (2023-08-29T00:44:27Z)
Lip Reading for Low-resource Languages by Learning and Combining General Speech Knowledge and Language-specific Knowledge [57.38948190611797]
本稿では,特に低リソース言語を対象とした新しい唇読解フレームワークを提案する。低リソース言語は、そのモデルを訓練するのに十分なビデオテキストペアデータを持っていないため、低リソース言語のための唇読解モデルを開発するのは難しいと考えられている。
論文参考訳（メタデータ） (2023-08-18T05:19:03Z)
Soft Language Clustering for Multilingual Model Pre-training [57.18058739931463]
本稿では,インスタンスを条件付きで符号化するためのフレキシブルガイダンスとして,コンテキスト的にプロンプトを検索するXLM-Pを提案する。我々のXLM-Pは、(1)言語間における言語不変および言語固有知識の軽量なモデリングを可能にし、(2)他の多言語事前学習手法との容易な統合を可能にする。
論文参考訳（メタデータ） (2023-06-13T08:08:08Z)
Romanization-based Large-scale Adaptation of Multilingual Language Models [124.57923286144515]
大規模多言語事前学習言語モデル (mPLMs) は,NLPにおける多言語間移動のデファクトステートとなっている。我々は、mPLMをローマン化および非ロマン化した14の低リソース言語コーパスに適用するためのデータとパラメータ効率の戦略を多数検討し、比較した。以上の結果から, UROMAN をベースとしたトランスリテラルは,多くの言語で高い性能を達成できることがわかった。
論文参考訳（メタデータ） (2023-04-18T09:58:34Z)
Revisiting Language Encoding in Learning Multilingual Representations [70.01772581545103]
言語埋め込みを置き換えるクロスリンガル言語投影(Cross-lingual Language Projection, XLP)と呼ばれる新しいアプローチを提案する。 XLPは単語埋め込みを言語固有の意味空間に投影し、投影された埋め込みはTransformerモデルに供給される。実験により、xlpは広範囲の多言語ベンチマークデータセットのモデル性能を自由かつ著しく向上できることが示された。
論文参考訳（メタデータ） (2021-02-16T18:47:10Z)

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。