論文の概要: TTLab at AlexandriaX-2026: A Fine-Tuned Surface Tagger for Arabic Machine-Translation Error-Span Detection and Classification
- arxiv url: http://arxiv.org/abs/2609.29633v1
- Date: Thu, 24 Sep 2026 12:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.928494
- Title: TTLab at AlexandriaX-2026: A Fine-Tuned Surface Tagger for Arabic Machine-Translation Error-Span Detection and Classification
- Title（参考訳）: TTLab at AlexandriaX-2026: A Fine-Tuned Surface Tagger for Arabic Machine-Translation Error-Span Detection and Classification
- Abstract要約: 我々は、アラビア語 MT エラースパンの検出と分類に関する TTLab の AlexandriaX-2026 Subtask3 への提出について述べる。
我々のシステムは、そのタスクを表面形状上のトークンレベルの分類として表している。
重度ラベルの不均衡に対処するために、クラス重み付けと方言固有の復号しきい値を用いた焦点損失を用いる。
- 参考スコア（独自算出の注目度）: 44.304470436110165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present TTLab's submission to the AlexandriaX-2026 Subtask~3 on Arabic MT error span detection and classification. Our system frames the task as token-level classification over surface forms, preserving character offsets to ensure exact alignment with the evaluation metric. To handle severe label imbalance, we employ a focal loss with class weighting and dialect-specific decoding thresholds. Among six Arabic pre-trained encoders, MARBERTv2 achieves the best overall performance of 40.8 and 40.91 on the development and test set, respectively, ranking $\nth{3}$ out of all participating teams. While our system localizes error spans effectively, classification of rare error types remains challenging, highlighting the need for data augmentation for tail categories. The code is available at ${\href{https://github.com/ENTAILab/arabic-dialectal-mt-error-span-detection}{\faGithub~ TTLab at AlexandriaX-2026}$
- Abstract（参考訳）: 我々は、アレクサンドリアX-2026 Subtask~3へのTTLabの提出について、アラビアのMTエラースパン検出と分類について述べる。
本システムでは, タスクを表面形状上のトークンレベルの分類として, 文字オフセットを保存し, 評価基準との整合性を確保する。
重度ラベルの不均衡に対処するために、クラス重み付けと方言固有の復号しきい値を用いた焦点損失を用いる。
6つのアラビア語の事前訓練エンコーダのうち、MARBERTv2は開発とテストセットでそれぞれ40.8と40.91の最高性能を達成し、全ての参加チームの中で$\nth{3}$をランク付けしている。
我々のシステムはエラーを効果的にローカライズするが、稀なエラータイプの分類は依然として困難であり、テールカテゴリのデータ拡張の必要性を強調している。
コードは、${\href{https://github.com/ENTAILab/arabic-dialectal-mt-error-span-detection}{\faGithub~ TTLab at AlexandriaX-2026}$で入手できる。
関連論文リスト
- AlexandriaX 2026: The First Shared Task on Dialectal Arabic Machine Translation [65.18574662565511]
アレクサンドリアX 2026 アラビア語 MT の共有タスクは、3つのサブタスクを通じて課題に対処する。
Subtask 1の最良のシステムは、制約のないトラックで30.42 spBLEU、制約のないトラックで33.49 spBLEUを達成した。
その結果、明示的な方言モデリング、文脈認識生成、検索と再ランク付け、およびMT誤り解析のための特殊なアプローチの利点が浮き彫りになった。
論文 参考訳（メタデータ） (2026-09-19T05:59:30Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - MetricX-25 and GemSpanEval: Google Translate Submissions to the WMT25 Evaluation Shared Task [20.03717974553634]
We present our submits to the unified WMT25 Translation Evaluation Shared Task。
The Quality Score Prediction subtask, we create a new generation of MetricX with improve in the input format and the training protocol。
Error Span Detection subtaskでは,その重大さやカテゴリとともにエラー幅を予測するために,GemSpanEvalという新しいモデルを開発した。
論文 参考訳（メタデータ） (2025-10-28T17:56:20Z) - On Non-Random Missing Labels in Semi-Supervised Learning [114.62655062520425]
Semi-Supervised Learning (SSL)は基本的にラベルの問題である。
SSL に "class" を明示的に組み込んでいます。
提案手法は,既存のベースラインを著しく上回るだけでなく,他のラベルバイアス除去SSL法を上回ります。
論文 参考訳（メタデータ） (2022-06-29T22:01:29Z) - Cross-domain Speech Recognition with Unsupervised Character-level
Distribution Matching [60.8427677151492]
2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。
Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
論文 参考訳（メタデータ） (2021-04-15T14:36:54Z) - Danish Fungi 2020 -- Not Just Another Image Recognition Dataset [0.0]
デンマークのFungi 2020(DF20)という新しいきめ細かいデータセットとベンチマークを紹介します。
データセットはデンマークの菌類アトラスに提出された観測結果から構築されている。
df20はimagenetと重複しないため、imagenetの公開チェックポイントから微調整されたモデルの偏りのない比較が可能になる。
論文 参考訳（メタデータ） (2021-03-18T09:33:11Z) - Imbalance Learning for Variable Star Classification [0.0]
我々は,不均衡な学習問題を克服する階層型機械学習分類手法を開発した。
私たちは'データレベル'アプローチを使用して、トレーニングデータを直接拡張し、表現不足のクラスをよりよく記述します。
階層モデルで$texttGpFit$を使用すると,より高い分類率が得られることがわかった。
論文 参考訳（メタデータ） (2020-02-27T19:01:05Z)
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。