論文の概要: How Many Labels Does a Language Need? Annotation Budgets and Cross-Lingual Pooling for African-Language Text Classification

• arxiv url: http://arxiv.org/abs/2609.37882v1
• Date: Tue, 29 Sep 2026 15:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.711519
• Title: How Many Labels Does a Language Need? Annotation Budgets and Cross-Lingual Pooling for African-Language Text Classification
• Title（参考訳）: 言語に何つのラベルが必要なのか?アフリカ言語テキスト分類のための注釈予算と言語間ポーリング
• Abstract要約: 我々は,2つのCPUコア上で,事前トレーニングされた重みを伴わず,アクセラレーションを伴わない,数秒でトレーニングする特性n-gram線形モデルを用いている。 トピック分類は全データマクロF1の90%に到達し、中央言語で約400のラベルを持つことを示す。 ベンチマークで他の言語の完全なトレーニングデータをポーリングすることは、小さな予算で、大きなものでは何の役にも立たない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every text classifier for an African language begins with a budgeting question: how many labelled examples are needed, and can labels from other African languages stand in for them? We answer both questions empirically for 28 language-task pairs, news topic classification in 16 languages (MasakhaNEWS) and tweet sentiment in 12 languages (AfriSenti), using a character n-gram linear model that trains in seconds on two CPU cores with no pretrained weights and no accelerator. Monolingual learning curves at budgets from 25 to several thousand labels show that topic classification reaches 90\% of its full-data macro-F1 with about 400 labels in the median language, while sentiment is still improving at the full training size in 11 of 12 languages and needs thousands of labels. Pooling the full training data of the other languages in the benchmark is worth a great deal at small budgets and nothing at large ones: at 25 target labels it adds 0.20 macro-F1 on average for news (up to 0.43 for Lingala) and 0.08 for sentiment, the gain decays to zero by 800 labels, and at full size pooling hurts in 9 of 16 and 8 of 12 languages. Twenty-five target labels plus pooled data match what 100 to 400 monolingual labels achieve for most news languages. A complete zero-shot transfer matrix shows that transfer without any target labels recovers a median of only 13\% (news) and 4\% (sentiment) of the gap between a majority-class predictor and the in-language model, with the exceptions explained by shared script (Amharic and Tigrinya), shared lexicon (English and Nigerian Pidgin, the Arabic dialects), or a shared label prior rather than by language family. We release code that regenerates every number from the public benchmark files and translate the results into concrete annotation guidance for teams building African-language classifiers without GPUs.
• Abstract（参考訳）: アフリカの言語のすべてのテキスト分類器は、予算的な質問から始まります。 我々は,28の言語タスクペア,16の言語(MasakhaNEWS)のニューストピック分類,12の言語(AfriSenti)のつぶやき感情を実証的に回答する。 25から数千のラベルの予算での単言語学習曲線は、トピック分類が中央言語で約400のラベルを持つフルデータのマクロF1の90%に達することを示している。 25のターゲットラベルではニュースでは平均0.20マクロF1(Lingalaでは最大0.43マクロF1)、感情では0.08マクロF1となり、フルサイズのプールは12言語中16言語と8言語のうち9つでゼロになる。 205のターゲットラベルとプールされたデータは、ほとんどのニュース言語で達成される100から400のモノリンガルラベルと一致する。 完全なゼロショット転送行列は、ターゲットラベルなしでの転送は、言語家族ではなく、共有スクリプト(アムハラ語とティグリニャ語)、共有辞書(英語とナイジェリアのピジン語、アラビア方言)、または共有ラベルによって説明される例外で、多数クラスの予測子とインランゲージモデルのギャップの13%(ニュー)と45%(センチメント)の中央値しか回復しないことを示している。 我々は、公開ベンチマークファイルからすべての番号を再生し、その結果をGPUなしでアフリカ語分類器を構築するチームのための具体的なガイダンスに翻訳するコードをリリースする。

関連論文リスト

• One Threshold Does Not Fit All Languages: Language-Conditional Deferral for Reliable and Efficient Low-Resource Text Classification [0.0]
  世界南部、アフリカ、アジア、ラテンアメリカの低所得国では、世界の言語の大半が話されている。 約束がすべての言語に届くかどうか尋ねるが、そうではない。 言語ごとのしきい値の推定では、すべての言語が再訓練せずに89.1%から91.0%に到達している。
  論文  参考訳（メタデータ） (2026-09-29T15:45:33Z)
• The Curse of Multilinguality in Lexical Normalization [0.0]
  一般的なショートカットは、一度に複数の言語で単一のモデルをトレーニングすることである。 そのようなモデルをトレーニングすべき言語はいくつあるのか? 言語が他でのみトレーニングされている場合、正確性が最も高いのです。
  論文  参考訳（メタデータ） (2026-08-27T22:48:02Z)
• Deep Learning-Based Sign Language Recognition from Videos and Cross-Lingual Translation to Indian Vernaculars [0.11199585259018456]
  手話は、世界的な聴覚障害と難聴者コミュニティにとって、コミュニケーションの第一の手段である。 本稿では,短い手話ビデオクリップを英語の単語ラベルに分類する2段階のディープラーニングパイプラインを提案する。 予測された英語のラベルをヒンディー語、テルグ語、ベンガル語に翻訳する。
  論文  参考訳（メタデータ） (2026-06-21T13:33:27Z)
• SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection [76.18321723846616]
  タスクは7つの異なる言語ファミリーから30以上の言語をカバーしている。 データインスタンスは6つの感情クラスでマルチラベルされており、感情の強さに注釈を付けた11言語にデータセットが追加されている。 参加者は, (a) マルチラベル感情検出, (b) 感情強度スコア検出, (c) 言語間感情検出の3つのトラックでラベルの予測を依頼された。
  論文  参考訳（メタデータ） (2025-03-10T12:49:31Z)
• Universal Cross-Lingual Text Classification [0.3958317527488535]
  本研究は,言語横断テキスト分類における新たな視点を提案する。 我々のアプローチは、訓練中に異なる言語からの教師付きデータをブレンドして普遍的なモデルを作成することである。 主な目標は、ラベルと言語カバレッジを強化することであり、様々な言語のラベルの結合を表すラベルセットを目指している。
  論文  参考訳（メタデータ） (2024-06-16T17:58:29Z)
• DeMuX: Data-efficient Multilingual Learning [57.37123046817781]
  DEMUXは、大量の重複しない多言語データからラベルを付けるための正確なデータポイントを規定するフレームワークである。 エンドツーエンドのフレームワークは言語に依存しず、モデル表現を記述し、多言語的ターゲット設定をサポートしています。
  論文  参考訳（メタデータ） (2023-11-10T20:09:08Z)
• The Belebele Benchmark: a Parallel Reading Comprehension Dataset in 122 Language Variants [80.4837840962273]
  私たちは122の言語変種にまたがるデータセットであるBelebeleを紹介します。 このデータセットは、高、中、低リソース言語におけるテキストモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-08-31T17:43:08Z)
• AfroMT: Pretraining Strategies and Reproducible Benchmarks for Translation of 8 African Languages [94.75849612191546]
  AfroMTは、広く話されている8つのアフリカ言語のための標準化され、クリーンで再現可能な機械翻訳ベンチマークである。 これらの言語の特徴を考慮に入れたシステム診断のための分析ツール群を開発した。 11言語での事前トレーニングでは,強いベースラインに対して最大2つのBLEUポイントのゲインが得られた。
  論文  参考訳（メタデータ） (2021-09-10T07:45:21Z)
• Leveraging Adversarial Training in Self-Learning for Cross-Lingual Text Classification [52.69730591919885]
  本稿では,ラベル保存型入力摂動の最大損失を最小限に抑える半教師付き対向学習法を提案する。 多様な言語群に対する文書分類と意図分類において,有効性が著しく向上するのを観察する。
  論文  参考訳（メタデータ） (2020-07-29T19:38:35Z)

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。