論文の概要: Single-Sample Decoding of a Two-Layer Sound-Word Canvas Model for Thai Klon Pad

• arxiv url: http://arxiv.org/abs/2610.14980v1
• Date: Sat, 10 Oct 2026 14:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.138969
• Title: Single-Sample Decoding of a Two-Layer Sound-Word Canvas Model for Thai Klon Pad
• Title（参考訳）: タイ語クロンパッド用2層サウンドワードキャンバスモデルの単サンプル復号
• Abstract要約: 本稿では,短いトピックから1つのスタンザであるタイ・クロン・パッド詩のジェネレータを提示し,保持されたトピックについて人文に対して評価する。 ジェネレータは、WangchanBERTaから2層固定キャンバス上に初期化されたマスク付き言語モデルである。
• 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: We present a generator of Thai klon pad verse, one stanza from a short topic, and evaluate it against human verse on held-out topics. The generator is a masked language model initialised from WangchanBERTa over a fixed canvas with two layers: a sound layer of pronounced syllables, where rhyme, tone and syllable count are enforced as hard masks, and a word layer of whole words, so that no word is cut into written pieces. Decoding commits one cell at a time and samples at temperature 0.4; one sample is drawn per topic, with no selection, reranking or repair. On 78 held-out topics never used in development, judged by three independent runs of a frozen LLM judge in the same pools as the human stanzas from which the topics were written, 70.5% of the generated stanzas pass form, lexical cleanness of all four lines and topic alignment together, against 76.9% for the human stanzas (difference -6.4 points, 95% CI [-19.2, +6.4]). Cleanness is level with human (85.9% vs. 87.2%), and the stanzas pass form and cleanness together slightly more often than the human ones (+3.8 points, [-6.4, +14.1]); the difference lies in alignment (84.6% vs. 91.0%), on topics that were written from the human stanzas. The low temperature matters: at higher temperatures the same model passes clearly fewer of the same topics, because lexical errors lie in the model's lower-probability choices; sharpening the sampling distribution removes most of them, at a cost in vocabulary (7.5% rare words against 16.5% in the human stanzas) and diversity. The pre-registered target, all-three within 5 points of human, is missed by 1.4 points. KlonSuphap-LM, the only public klon pad generator we know of, passes none of the 78 held-out topics when judged in separate pools together with the method's and the human stanzas (form 19.2%, cleanness 3.8%).
• Abstract（参考訳）: 本稿では,短いトピックから1つのスタンザであるタイ・クロン・パッド詩のジェネレータを提示し,保持されたトピックについて人文に対して評価する。 原語は、WangchanBERTaから固定キャンバス上に初期化されたマスク付き言語モデルで、発音音節の音層、韻律、音調、音節をハードマスクとして強制する音層、全単語の単語層であり、文字に切り刻まれない。 デコードでは1つのセルを1度にコミットし、温度0.4でサンプルを採取する。 開発に使用されなかった78のトピックについて、人間のスタンザの70.5%、全ての4行の語彙的清潔さとトピックアライメントを併用し、人間のスタンザの76.9%(差 -6.4 点、95% CI [-19.2, +6.4])に対して、人間のスタンザと同じプール内の冷凍LDM判事の3つの独立した実行によって判断された。 クリーネスは人間(85.9% vs. 87.2%)と同等であり、クリーネスはヒト(+3.8点, [-6.4, +14.1])よりもわずかに頻繁に、クリーネスはヒト(84.6% vs. 91.0%)と一致している。 低い温度では、同じモデルが同じトピックを明らかに少なく通過する。なぜなら、語彙的誤りがモデルの低い確率選択にあるからであり、サンプリング分布を鋭くすることで、語彙のコスト(7.5%、ヒトのスタンザでは16.5%に対して稀な単語)と多様性が犠牲になるからである。 登録済みのターゲットは5点以内の3点であり、1.4点が欠落している。 クロンサップ-LM(KlonSuphap-LM)は、私たちが知っている唯一の公的なクロンパッドジェネレータであり、メソッドと人間のスタンザ(19.2%、清潔度3.8%)とともに、別個のプールで判断された78のトピックのうち、どれも通過しない。

関連論文リスト

• AcoustiClaim: A Numeric Claim Benchmark with Instrument Ground Truth [40.60147451749375]
  AcoustiClaimは、自由テキストから各数値のクレームを抽出し、その量を定義する計器と、参照が読み取れる各量に対してスコア付けする。 4つのオープンウェイトシステムと1つのクローズドモデルにより、207細胞を充填する2つのコーパスに10種類の5つの方法が求められた。
  論文  参考訳（メタデータ） (2026-09-24T19:19:20Z)
• When AI Writes, Who Gets Cited? Evidence of Citation Monoculture Across Language Models [45.91367912142692]
  異なるモデルがいまだに同じ狭い部分集合を選択している可能性を示し、単一の引用が誤りを犯さずに、引用モノカルチャーを生成する。 3つのベンダーの11のモデルが、30のランダムなパネルから少なくとも10の論文を選択しており、実際のタイトルと抽象物があるが、作者が作り直され、再割り当て年、隠れた会場と引用数がある。
  論文  参考訳（メタデータ） (2026-08-03T14:27:46Z)
• Language Models Agree With Each Other, Not With Readers [1.8620637029128544]
  我々は、その目的のために構築された誰もいない人間の参照に対する収束を測定する。 120のWebドキュメントに2,523のリードマークがある。 読者が読むものよりも確実に読者に同意するモデルはない。
  論文  参考訳（メタデータ） (2026-07-31T10:44:10Z)
• Myovox: Reading Speech from the Muscles of the Face [0.0]
  ミオボックスは、発声時の顔の筋肉から記録された31チャンネル表面筋電図(sEMG)から英語のオープン語彙をデコードする。 51.17%のワードエラー率から18.53%までの1つのサブジェクト Emg2speech General Corpus を3つの分離可能な動作で分離して測定する。
  論文  参考訳（メタデータ） (2026-07-15T17:00:41Z)
• DialectGen: Benchmarking and Improving Dialect Robustness in Multimodal Generation [111.94720088481614]
  多モーダル生成モデルは方言テキスト入力を効果的に生成できるのか? 6つの共通英語方言にまたがる大規模ベンチマークを構築した。 マルチモーダル生成モデルのための一般的なエンコーダに基づく緩和戦略を設計する。
  論文  参考訳（メタデータ） (2025-10-16T17:56:55Z)
• X-TURING: Towards an Enhanced and Efficient Turing Test for Long-Term Dialogue Agents [56.64615470513102]
  チューリングテストは、自然言語の会話においてAIが人間のような振る舞いを示すかどうかを調べる。 従来の設定では、各参加者は一度に1つのメッセージに制限される。 本稿では,textitburstダイアログパターンを用いて,元のテストを強化するtextbftextscX-Turingを提案する。
  論文  参考訳（メタデータ） (2024-08-19T09:57:28Z)
• Language in Vivo vs. in Silico: Size Matters but Larger Language Models Still Do Not Comprehend Language on a Par with Humans Due to Impenetrable Semantic Reference [1.8434042562191815]
  本研究では,人間とモデルの違いがモデルサイズに寄与するかどうかを判断する上で,モデルスケーリングが果たす役割について検討する。 アナフォラ, 中心埋め込み, 比較, 負極性を含む文法判断タスクにおいて, 3つの大言語モデル(LLM)を検証した。 結果,ChatGPT-4の精度は,ChatGPT-4の精度が76%に対して80%であったのに対し,ChatGPT-4の精度は1つのタスク条件,すなわち文法文でのみ優れていた。
  論文  参考訳（メタデータ） (2024-04-23T10:09:46Z)
• HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units [81.53783563025084]
  本稿では、BERTのような予測損失に対して、アライメントされたターゲットラベルを提供するオフラインクラスタリングステップを提案する。 提案手法の重要な要素は,マスク領域にのみ予測損失を適用することである。 HuBERTは、より困難なdev-otherおよびtest-other評価サブセットに対して、最大19%と13%の相対的なWER削減を示す。
  論文  参考訳（メタデータ） (2021-06-14T14:14:28Z)
• MixPoet: Diverse Poetry Generation via Learning Controllable Mixed Latent Space [79.70053419040902]
  多様な要素を吸収し,多様なスタイルを創出し,多様性を促進する新しいモデルであるMixPoetを提案する。 半教師付き変分オートエンコーダに基づいて、我々のモデルは潜在空間をいくつかの部分空間に切り離し、それぞれが敵の訓練によって1つの影響因子に条件付けされる。 中国詩の実験結果は、MixPoetが3つの最先端モデルに対して多様性と品質の両方を改善していることを示している。
  論文  参考訳（メタデータ） (2020-03-13T03:31:29Z)

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。