論文の概要: Typological Feature Prediction with Large Language Models: An In-Context Learning Approach

• arxiv url: http://arxiv.org/abs/2609.03775v1
• Date: Thu, 03 Sep 2026 12:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.059313
• Title: Typological Feature Prediction with Large Language Models: An In-Context Learning Approach
• Title（参考訳）: 大規模言語モデルを用いた音韻的特徴予測 : 文脈内学習アプローチ
• Abstract要約: 本稿では,EL+ と Glottolog の言語データを用いた文脈内学習手法を用いて,類型的特徴予測について検討する。 ゼロショットプロンプトは不十分であることがわかったが、系統的および地理的に近接する証拠が与えられた場合、LLMは全てのベースラインを大幅に上回っている。 ほとんどのLCMの理論的根拠は、提示された証拠と一致しており、説明可能な類型的特徴予測へのステップを提供する。
• 参考スコア（独自算出の注目度）: 8.82388473733381
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Typological features are widely used in multilingual NLP, and the prediction of such features holds downstream utility. However, existing methods to predict missing values lack interpretable justifications for predictions, while their performance across resource levels and feature types remains underexplored. Given LLMs' abilities in meta-linguistic reasoning and in providing rationales, we investigate LLMs' performance in typological feature prediction via an in-context learning approach with linguistic data from URIEL+ and Glottolog. We find that zero-shot prompting is insufficient, but when given phylogenetic and geographic neighbour evidence, LLMs substantially outperform all baselines without disadvantaging low-resource languages. We further find that most LLM rationales are consistent with the provided evidence, offering a step toward explainable typological feature prediction.
• Abstract（参考訳）: タイポロジーの特徴は多言語NLPで広く使われており、そのような特徴の予測は下流のユーティリティを保持する。 しかし、既存の手法では予測に解釈可能な正当性を欠いている一方で、リソースレベルや機能タイプにまたがるパフォーマンスは未検討のままである。 メタ言語推論におけるLLMの能力と有理性を考慮し,URIEL+とGlottologの言語データを用いた文脈内学習手法を用いて,型的特徴予測におけるLLMの性能について検討する。 ゼロショットプロンプトは不十分であることがわかったが、系統的および地理的に近接する証拠が与えられた場合、LLMは低リソース言語を改良することなく、全てのベースラインを大幅に上回っている。 さらに, LLM の理論的根拠の多くは, 得られた証拠と一致しており, 説明可能な類型的特徴予測へのステップを提供する。

関連論文リスト

• Reasoning over Grammar: Can Synthetic Linguistic Reasoning Traces Enhance Low-Resource Machine Translation? [49.7935995447581]
  我々は,低リソース機械翻訳が言語解析と文法推論の中間段階の構造化の恩恵を受けるか検討する。 本稿では,Universal Dependencies Treebank,Dictionary,Gram-rule Bankから,ステップバイステップの言語推論トレースを自動的に生成するパイプラインを提案する。 その結果,言語的推論の痕跡は推論時ガイダンスとして最も有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-02T15:36:12Z)
• LLM Probe: Evaluating LLMs for Low-Resource Languages [6.177998679139308]
  本稿では,低リソース言語における大規模言語モデル (LLM) の言語能力を評価するための語彙ベースアセスメントフレームワークを提案する。 このフレームワークは、語彙アライメント、音声認識、モルフォシンタクティック・プロービング、翻訳精度の4つの領域にわたるモデルを分析する。
  論文  参考訳（メタデータ） (2026-03-31T10:03:38Z)
• Evaluating Metalinguistic Knowledge in Large Language Models across the World's Languages [0.5949779668853555]
  大規模言語モデル(LLM)は日常的に言語使用タスクに基づいて評価されるが、言語構造に関する知識はいまだに理解されていない。 精度とマクロF1とマジョリティクラス,チャンスベースラインを併用して,言語領域や言語関連因子による全体的なパフォーマンスを分析し,その変動について検討する。 GPT-4oは最適だが適度な精度(0.367)であり,オープンソースモデルは遅れている。
  論文  参考訳（メタデータ） (2026-02-02T14:49:56Z)
• Are the LLMs Capable of Maintaining at Least the Language Genus? [5.748049484273442]
  種レベルの効果は存在するが、訓練資源の可用性によって強く条件付けされていることを示す。 以上の結果から,LLMは属レベルの構造をコードするが,学習データの不均衡が多言語的性能を形作る主要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-24T15:20:40Z)
• From BERT to LLMs: Comparing and Understanding Chinese Classifier Prediction in Language Models [15.180712786113192]
  我々は,最も人気のあるLarge Language Models (LLMs) が,中国語分類器の適切な知識を持っているかどうかを検討する。 LLMは細調整でもBERTよりも優れていた。 予想通り、この予測は以下の名詞に関する情報から大きな恩恵を受けており、BERTのような双方向の注意機構を持つモデルの利点も説明できる。
  論文  参考訳（メタデータ） (2025-08-25T17:41:46Z)
• Large Language Models as Universal Predictors? An Empirical Study on Small Tabular Datasets [0.0]
  大規模言語モデル(LLM)は、下流タスクを明示的に微調整することなく、構造化された入力に対して予測タスクを実行することができる。 分類,回帰,クラスタリングタスクのための小規模構造化データセット上でのLCMの実証関数近似能力について検討した。 以上の結果から,LLMは構造化データの汎用的予測エンジンとして機能する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-08-24T15:00:51Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• Enhancing Code Generation for Low-Resource Languages: No Silver Bullet [55.39571645315926]
  大規模言語モデル(LLM)は、プログラミング言語の構文、意味論、使用パターンを学ぶために、大規模で多様なデータセットに依存している。 低リソース言語では、そのようなデータの限られた可用性は、モデルを効果的に一般化する能力を損なう。 本稿では,低リソース言語におけるLLMの性能向上のためのいくつかの手法の有効性を実証研究する。
  論文  参考訳（メタデータ） (2025-01-31T12:23:28Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• What Languages are Easy to Language-Model? A Perspective from Learning Probabilistic Regular Languages [78.1866280652834]
  大規模言語モデル (LM) は文字列上の分布である。 RNNとTransformer LMによる規則的LM(RLM)の学習性について検討する。 RNNとトランスフォーマーの双方において,RLMランクの複雑さは強く,学習可能性の有意な予測因子であることが判明した。
  論文  参考訳（メタデータ） (2024-06-06T17:34:24Z)
• Linguistic Typology Features from Text: Inferring the Sparse Features of World Atlas of Language Structures [73.06435180872293]
  我々は、バイト埋め込みと畳み込み層に基づく繰り返しニューラルネットワーク予測器を構築する。 様々な言語型の特徴を確実に予測できることを示す。
  論文  参考訳（メタデータ） (2020-04-30T21:00:53Z)

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。