論文の概要: Measuring Annotation Efficiency for Handwritten Devanagari Recognition: Sample-Complexity Curves for Four Pretraining Regimes
- arxiv url: http://arxiv.org/abs/2609.16859v1
- Date: Tue, 15 Sep 2026 08:50:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.423032
- Title: Measuring Annotation Efficiency for Handwritten Devanagari Recognition: Sample-Complexity Curves for Four Pretraining Regimes
- Title（参考訳）: 手書きデバナガリ認識のためのアノテーション効率の測定:4つの事前学習用サンプル複雑曲線
- Abstract要約: 手書き文字認識システムを訓練するには、単語画像とその対応する書き起こしが必要である。
少数の専門家しか読めないスクリプトの場合、この手書き文字は制限である。
本研究は手書きのDevanagariに対して直接答えを計測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: To train handwritten text recognition systems we need word images and their corresponding transcriptions, and these transcriptions are produced manually. For a script that can be read by only a small number of specialists, this manual transcription is a limitation, because the trained models are supposed to save the time of those same specialists. A relevant question therefore arises: how many transcriptions are needed before a recogniser becomes useful, and how much of that cost can pretraining remove? In this study the answer is measured directly for handwritten Devanagari. We keep the recogniser, optimiser and evaluation protocol the same and change only the number of real transcribed words used for fine-tuning across nine budgets from 10 to 4,000 and four initialisation regimes, with six seeds at every point. The resulting curves are then converted into annotation-equivalent terms. A CER of 0.50 is reached by supervised synthetic pretraining using only 81 transcribed words, whereas random initialisation requires 355, which gives a label multiplier of 4.40 [3.56, 4.99]. There is a zero-shot reference point as well: with no real transcribed words at all, this pretraining is worth about 136 of them. This advantage gets smaller as the target accuracy improves, and at the most demanding target we measure, it cannot be distinguished from no saving at all. A fourth arm in which only the encoder is transferred separates the effect of the pretraining method from that of transfer scope, and masked image modelling is observed to transfer negatively over a bounded range of budgets. We emphasise that the scarcity in this study is constructed by subsampling a large corpus.
- Abstract（参考訳）: 手書き文字認識システムを訓練するには、単語画像とその対応する転写が必要であり、これらの転写は手動で作成される。
少数の専門家しか読めないスクリプトの場合、このマニュアルの書き起こしは制限となる。
認識器が有用になる前に、どのくらいの転写が必要か、そのコストのどれ程を事前学習して削除できるのか?
本研究は手書きのDevanagariに対して直接答えを計測する。
我々は認識器とオプティマイザと評価プロトコルを同一に保ち、9つの予算にまたがる微調整に使用される実際の転写語数だけを10から4000、および4つの初期化制度に変化させ、各点で6つの種を発生させる。
結果として得られる曲線は、アノテーションと同値の項に変換される。
0.50のCERは81の転写された単語しか使用せず、ランダム初期化には355が必要であり、ラベル乗算器は4.40[3.56, 4.99]である。
ゼロショット参照ポイントも存在しており、実際の転写された単語が全くなく、この事前訓練はおよそ136の価値がある。
この利点は、目標の精度が向上するにつれて小さくなり、私たちが測定する最も要求の高い目標において、貯蓄とは区別できない。
エンコーダのみを転送する第4のアームは、プレトレーニング方法と転送範囲とを分離し、マスク画像モデリングを観察して、境界範囲の予算で負の転送を行う。
本研究は, 大型コーパスをサブサンプリングすることで, 希少性が構築できることを強調した。
関連論文リスト
- RelateAnything: Real-Time Open-Vocabulary Relation Prediction From Any Inputs [0.40611352512781873]
RelateAnythingは、任意のソースからイメージとリージョンを取得し、文字列として推論時に供給される述語語彙に関するスコア付き関係を返す。
19,103以上の述語を訓練するには、正のラベルなしの監督と、アントロニムを分離するテキストエンコーダが必要である。
3つのクロスデータセットのベンチマークと4番目のゼロショットでは、RelateAnythingは2.3-3.5倍の最大規模のオープンボキャブラリメソッドをリコールする。
論文 参考訳（メタデータ） (2026-09-11T07:57:41Z) - TimeStampEval: A Simple LLM Eval and a Little Fuzzy Matching Trick to Improve Search Accuracy [0.0]
TimeStampEvalは、非バーバティムな引用を与えられた長い書き起こしから正確にミリ秒のタイムスタンプを取得するためのベンチマークである。
簡単な2段階法では,推論コストを90%以上削減しながら,検索精度を劇的に向上させる。
モチベーションのユースケースは、議会記録のクリップをAIがホストする動詞のナレーションにまとめる、自動化されたロングフォームポッドキャストである。
論文 参考訳（メタデータ） (2025-10-27T21:54:56Z) - Building Tailored Speech Recognizers for Japanese Speaking Assessment [6.152272170188488]
我々はアクセントマーカーで音声ラベルを出力する音声認識器を構築した。
日本語は資源に富んでいるが、正確な音素の書き起こしを行うための訓練用データはほとんどない。
論文 参考訳（メタデータ） (2025-09-25T01:26:11Z) - Zero-shot Context Biasing with Trie-based Decoding using Synthetic Multi-Pronunciation [38.053484403802834]
合成駆動型多発音文脈バイアス法を提案する。
本手法は,非バイアスワード誤り率(B-WER)をテストクリーンで43%,他で44%削減し,非バイアスワードエラー率(U-WER)は基本的に変化しない。
論文 参考訳（メタデータ） (2025-08-25T08:41:52Z) - Context Biasing for Pronunciations-Orthography Mismatch in Automatic Speech Recognition [61.601626186678146]
本稿では,置換誤りの訂正を可能とし,難解な単語の認識精度を向上させる手法を提案する。
本手法により, 単語誤り率の相対的な改善を最大8%まで達成し, 単語誤り率の競争力を維持した。
論文 参考訳（メタデータ） (2025-06-23T14:42:03Z) - Certified Robustness Under Bounded Levenshtein Distance [55.54271307451233]
畳み込み型分類器のリプシッツ定数をレヴェンシュテイン距離に対して計算する最初の方法を提案する。
我々の方法であるLipsLevは、それぞれ18.80ドル%と13.93ドル%の精度を1ドルと2ドルで得ることができる。
論文 参考訳（メタデータ） (2025-01-23T13:58:53Z) - Unlocking Memorization in Large Language Models with Dynamic Soft Prompting [66.54460367290146]
大規模言語モデル(LLM)は、要約、質問応答、翻訳などの自然言語処理(NLP)タスクに革命をもたらした。
LLMはトレーニングデータを記憶する傾向があるため、重大なセキュリティリスクを生じ、プライバシー侵害や著作権侵害につながる可能性がある。
動的,プレフィックスに依存したソフトプロンプトを用いたLLM記憶推定手法を提案する。
論文 参考訳（メタデータ） (2024-09-20T18:56:32Z) - Short-Term Word-Learning in a Dynamically Changing Environment [63.025297637716534]
本稿では、単語/フレーズメモリと、このメモリにアクセスして単語やフレーズを正しく認識するためのメカニズムを用いて、エンドツーエンドのASRシステムを補完する方法を示す。
誤報がわずかに増加しただけで, 単語の検出速度が大幅に向上した。
論文 参考訳（メタデータ） (2022-03-29T10:05:39Z) - Injecting Text in Self-Supervised Speech Pretraining [33.676479965610774]
我々は,2つの異なるモーダル(音声とテキスト)から事前学習中の表現を共同学習することを提案する。
tts4pretrainは自己スーパービジョンにおけるコントラスト学習のパワーを補完する。
We demonstrate Word Error Rate (WER) reductions of 10% relative on the well-benchmarked, Librispeech task。
論文 参考訳（メタデータ） (2021-08-27T11:36:40Z) - Label-Synchronous Speech-to-Text Alignment for ASR Using Forward and
Backward Transformers [49.403414751667135]
本稿では,音声認識のための新しいラベル同期音声テキストアライメント手法を提案する。
提案手法はラベル同期テキストマッピング問題として音声からテキストへのアライメントを再定義する。
自発日本語コーパス(CSJ)を用いた実験により,提案手法が正確な発話方向のアライメントを提供することを示した。
論文 参考訳（メタデータ） (2021-04-21T03:05:12Z) - Emergent Communication Pretraining for Few-Shot Machine Translation [66.48990742411033]
我々は、参照ゲームからの創発的コミュニケーションを介してニューラルネットワークを事前訓練する。
私たちの重要な前提は、実世界の環境の粗悪な近似として、画像に基づくコミュニケーションを基盤にすることで、帰納的に自然言語学習のモデルに偏りが生じる、ということです。
論文 参考訳（メタデータ） (2020-11-02T10:57:53Z)
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。