論文の概要: Viveka-Insight: a cross-lingual concept graph and citation-grounded retrieval resource over the complete works of Swami Vivekananda in English and Bengali
- arxiv url: http://arxiv.org/abs/2609.20303v1
- Date: Thu, 30 Jul 2026 11:31:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.670022
- Title: Viveka-Insight: a cross-lingual concept graph and citation-grounded retrieval resource over the complete works of Swami Vivekananda in English and Bengali
- Title（参考訳）: Viveka-Insight:英語とベンガル語におけるSwami Vivekanandaの全作品に関する言語横断概念グラフと引用接地検索リソース
- Abstract要約: Viveka-Insightは、Swami Vivekananda氏の作品のためのバイリンガルリソースとオープンソースパイプラインである。
構造保存構文(32,694段落、168,842文)を含み、パラグラフ毎のアンカーが出版版にディープリンクされている。
また、8,362の言語に依存しない概念と87,518の関連型パラグラフと55,872の概念エッジからなる言語間の概念グラフも含んでいる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classical philosophical corpora pose three compounding challenges for language resources: they exist in several languages without parallel alignment, their vocabulary is remote from that of contemporary readers, and generated text over culturally sensitive material must be verifiably grounded. We present Viveka-Insight, a bilingual resource and open-source pipeline for the works of Swami Vivekananda (1863-1902): the nine-volume English Complete Works and the ten-volume Bengali Vani o Rachana, two related but non-parallel corpora of about 15 million characters. Four layers are released: (i) a structure-preserving parse (32,694 paragraphs, 168,842 sentences) with per-paragraph anchors deep-linking into the published editions; (ii) a cross-lingual concept graph of 8,362 language-agnostic concepts with 87,518 relation-typed paragraph-concept and 55,872 concept-concept edges, in which canonical English labels act as a string-equality key linking Bengali and English passages with no parallel data; (iii) a bilingual alias inventory of 60,850 surface forms (30,053 English, 30,797 Bengali); and (iv) a human-annotated set of 200 paragraph-concept edges judged by three annotators, released with all per-annotator judgments. We report known-item cross-lingual retrieval over 194 verified rendered lecture pairs (Recall@10 0.86 in both directions), a 30-question audit of citation integrity and modern-question bridging, and a human study placing concept-extraction precision at 0.60 under strict two-annotator consensus (Cohen's kappa = 0.61). The extractor's confidence weight is calibrated: restricting to weight >= 0.8 raises precision to 0.71 while retaining 98% of concept-bearing paragraphs. Precision is markedly lower in Bengali than English (0.54 vs 0.68), locating the weakness in exactly the half that cross-lingual access depends on. The design transfers to other multilingual classical corpora.
- Abstract（参考訳）: 古典哲学的コーパスは、言語資源に対して3つの複合的な課題を提起する:それらは平行なアライメントのない複数の言語に存在し、語彙は現代の読者から遠ざかっている。
我々は、Swami Vivekananda (1863-1902)の著作のためのバイリンガルリソースとオープンソースのパイプラインであるViveka-Insightを紹介します。
4つのレイヤがリリースされます。
(i) 刊行された版に深いリンクを施した抄本(32,694段落,168,842文)
(ii) 言語に依存しない87,362の概念を87,518の関連型付き概念と55,872の概念概念エッジで表した言語横断的な概念グラフであって、標準英語ラベルがベンガル語と英語の通路を並列データなしでリンクする文字列品質キーとして機能する。
三 六十八50面形(英語30,053面、ベンガル語30,797面)及び
(四)アノテータ三名により判定された200段落の人称アノテータセットで、すべてのアノテータを判定する。
両方向の検証済み講義ペア194件(Recall@10 0.86)、引用整合性検査と近代的照会ブリッジングの30件、厳密な2アノテーションコンセンサス(Cohen's kappa = 0.61)の下で概念抽出精度を0.60に設定した人間による研究を報告する。
重量 >= 0.8 の制限は、概念を持つ段落の98%を維持しながら精度を 0.71 に引き上げる。
ベンガル語では精度は英語(0.54対0.68)よりも著しく低く、言語間アクセスが依存する部分の半分の弱点を突き止めている。
このデザインは、他の多言語古典コーパスに転送される。
関連論文リスト
- Three Buddhist Vocabularies: Computational Stylometry of the English Pali Canon across Sutta, Vinaya, and Abhidhamma [0.0]
本稿では,英語翻訳における3つのピタカすべてにまたがるティピタカの計算的テクスチャ分析について述べる。
コーパスは、ビクフ・スジャト(英語版)のスッタ・ピタカ(英語版)からI.B.ホーナー(英語版)の1938年のヴィナヤ訳までの134,831節に及ぶ。
論文 参考訳（メタデータ） (2026-06-24T04:06:23Z) - Neural Machine Translation for Low-Resource Tangkhul--English [0.0]
タングル語(Tangkhul)は、主にインドのマニプールで話されているチベット・ビルマン語族の言語である。
本報告では,(1)ByT5-largeファインチューニングに基づく基本システムと,(2)同一コーパス上のmT5-smallファインチューニングに基づくコントラストシステム,の2つのシステムについて述べる。
我々の主要なBYT5大規模システムは、コーパスBLEUスコア39.97、chrF++58.07、BERTScore F1、COMET0.7302をホールドアウトテストセットで達成する。
論文 参考訳（メタデータ） (2026-06-24T03:54:46Z) - Bilingual Text-to-Motion Generation: A New Benchmark and Baselines [52.71312720094036]
LLMアノテーションと厳密な手動修正によって構築されたバイリンガルテキスト・モーション・ベンチマークであるBiHumanML3Dを紹介する。
また,CLA(Cross-Lingual Alignment)を用いたバイリンガルモーション拡散合成(BiMD)を提案する。
CLA を用いた BiMD は 0.045 対 0.169 対 R@3 対 80.8% の FID を達成し、単言語拡散モデルと BiHumanML3D の翻訳ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-03-26T08:48:27Z) - Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech [61.759910921200834]
言語間の文エンコーダは通常、数百の言語をカバーしている。
我々はOmniSONARを紹介した。OmniSONARは全言語、言語横断、言語横断の文埋め込みモデルである。
論文 参考訳（メタデータ） (2026-03-17T14:47:35Z) - Oral to Web: Digitizing 'Zero Resource'Languages of Bangladesh [1.0578042460060062]
マルチリンガル・クラウド・コーパス(Multilingual Cloud Corpus)はバングラデシュの民族および先住民族の言語の最初の、全国規模、並列、マルチモーダルな言語データセットである。
ベンガル語刺激テキスト、英訳、IPA転写を含む85792の構造化テキストエントリと、107時間の音声録音を含む。
データはバングラデシュの9地区で90日間にわたる体系的なフィールドワークを通じて収集され、16人のデータ収集者、77人の話者、43人のバリデータを含む。
論文 参考訳（メタデータ） (2026-03-05T15:20:57Z) - A Crosslingual Investigation of Conceptualization in 1335 Languages [0.2216657815393579]
本稿では,1,335言語間の概念化の相違について,並列コーパスにおける概念の整合性について検討する。
本稿では,ソース言語の概念とターゲット言語文字列の集合との間に二部方向のアライメントグラフを作成する手法であるConceptualizerを提案する。
1つの概念(bird')に対する全言語にわたる詳細な言語分析と32のスワデシュ概念に対する金標準データの評価において、概念化器はアライメント精度が良いことを示す。
論文 参考訳（メタデータ） (2023-05-15T09:27:34Z) - No Language Left Behind: Scaling Human-Centered Machine Translation [69.28110770760506]
低レベルの言語と高レベルの言語のパフォーマンスギャップを狭めるためのデータセットとモデルを作成します。
何千ものタスクをトレーニングしながらオーバーフィッティングに対処するために,複数のアーキテクチャとトレーニングの改善を提案する。
本モデルでは,従来の最先端技術と比較して,BLEUの44%の改善を実現している。
論文 参考訳（メタデータ） (2022-07-11T07:33:36Z) - OneAligner: Zero-shot Cross-lingual Transfer with One Rich-Resource
Language Pair for Low-Resource Sentence Retrieval [91.76575626229824]
文検索タスク用に特別に設計されたアライメントモデルであるOneAlignerを提案する。
大規模並列多言語コーパス(OPUS-100)の全ての言語ペアで訓練すると、このモデルは最先端の結果が得られる。
実験結果から,文アライメントタスクの性能はモノリンガルおよび並列データサイズに大きく依存することがわかった。
論文 参考訳（メタデータ） (2022-05-17T19:52:42Z) - Few-shot Learning with Multilingual Language Models [66.49496434282564]
多様な言語群をカバーするバランスの取れたコーパス上で,多言語の自動回帰言語モデルを訓練する。
私たちの最大のモデルは、20以上の代表言語で数ショットの学習において、新しい最先端の技術を定めています。
本稿では,モデルがどこで成功し,失敗するかを詳細に分析し,特に言語間の文脈内学習を可能にすることを示す。
論文 参考訳（メタデータ） (2021-12-20T16:52:35Z)
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。