論文の概要: TDR: Tagalog Diacritic Restoration Dataset

• arxiv url: http://arxiv.org/abs/2610.17597v1
• Date: Tue, 13 Oct 2026 02:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:16:33.355946
• Title: TDR: Tagalog Diacritic Restoration Dataset
• Title（参考訳）: TDR: タガログ・ダイアクリティカル・リカバリデータセット
• Abstract要約: ホモグラフ(Homograph)とは、同じ綴りを持つが、意味や発音が異なる単語である。 タガログでは、これらの区別は、現代のタガログの文献ではまれに保存されるtuldik(ダイクリティカルマーク)による記述において曖昧である。 このダイアクリティカルティクスの欠如は、音声合成のための韻律選択などの下流作業に有用なダイアクリティカルな修復を制限している。
• 参考スコア（独自算出の注目度）: 0.38887448816036313
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Homographs are words that share identical spelling but differ in meaning and pronunciation. In Tagalog, these distinctions are disambiguated in writing through tuldik (diacritical marks), which are rarely preserved in contemporary Tagalog text. This scarcity of diacritics limits diacritic restoration, which is useful for downstream tasks such as prosody selection for text-to-speech synthesis. To address this gap, this study introduces TDR, an annotated corpus of 40 frequent Tagalog homographs constructed from news text. It also introduces a collocation-driven retrieval method to expand the dataset and mitigate severe class imbalance among minor variants. Finally, we show that TDR supplies a capability absent from pretrained models, and that this capability can be learned by small, inexpensive models as well as by fine-tuned LLMs.
• Abstract（参考訳）: ホモグラフ(Homograph)とは、同じ綴りを持つが、意味や発音が異なる単語である。 タガログでは、これらの区別は、現代のタガログの文献ではまれに保存されるtuldik(ダイクリティカルマーク)による記述において曖昧である。 このダイアクリティカルティクスの欠如は、音声合成のための韻律選択などの下流作業に有用なダイアクリティカルな修復を制限している。 このギャップに対処するために,本研究では,ニューステキストから構築された40の頻繁なタガログホモグラフからなる注釈付きコーパスであるTDRを紹介する。 また、データセットを拡張し、マイナーな変種間の深刻なクラス不均衡を軽減するコロケーション駆動の検索手法も導入している。 最後に、TDRは事前訓練されたモデルにない能力を提供し、この能力は小型で安価なモデルや微調整のLLMによって学習可能であることを示す。

関連論文リスト

• Gloss-Free Representation Learning for Cross-Dataset Sign Spotting [0.8590590965724384]
  本研究では,この環境下で再利用可能な符号エンコーダを事前訓練することができるかを検討した。 トルコの新しい放送コーパスであるTSL-Newsを、転写から派生した擬似グロスラベルを用いて事前訓練した。 我々は、新しいTSLスポッティングベンチマーク上で、クロスデータセットの符号スポッティングにより学習した表現を評価する。
  論文  参考訳（メタデータ） (2026-08-11T18:31:57Z)
• Transcript-Prompted Whisper with Dictionary-Enhanced Decoding for Japanese Speech Annotation [4.314729314139958]
  音声と韻律のラベルを与えられた音声と音声のペアにアノテートする方法を提案する。 音韻ラベリングにおける誤りの訂正に辞書事前知識を用いた復号方式を用いる。 提案手法を用いてアノテートしたラベルで訓練したTTSモデルにより合成された音声の自然性は,手動のアノテーションで訓練したモデルに匹敵することを示す。
  論文  参考訳（メタデータ） (2025-06-09T11:10:24Z)
• Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。 これらの課題を克服するために、新しい方法論とデータセットを導入します。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• Online Writer Retrieval with Chinese Handwritten Phrases: A Synergistic Temporal-Frequency Representation Learning Approach [53.189911918976655]
  DOLPHINは,相乗的時間周波数解析による手書き表現の向上を目的とした新しい検索モデルである。 OLIWER(OLIWER)は,1,731人から670,000以上の中国語の字句を含む大規模オンライン作家検索データセットである。 本研究は,手書き表現の質向上における点サンプリング周波数と圧力特性の重要性を強調した。
  論文  参考訳（メタデータ） (2024-12-16T11:19:22Z)
• Using Natural Language Explanations to Rescale Human Judgments [81.66697572357477]
  大規模言語モデル(LLM)を用いて順序付けアノテーションと説明を再スケールする手法を提案する。 我々は、アノテータのLikert評価とそれに対応する説明をLLMに入力し、スコア付けルーリックに固定された数値スコアを生成する。 提案手法は,合意に影響を及ぼさずに生の判断を再スケールし,そのスコアを同一のスコア付けルーリックに接する人間の判断に近づける。
  論文  参考訳（メタデータ） (2023-05-24T06:19:14Z)
• A Few Shot Multi-Representation Approach for N-gram Spotting in Historical Manuscripts [1.2930503923129213]
  少数の文字列(N-gram)のスポッティングのための数ショット学習パラダイムを提案する。 我々は,重要なn-gramの認識が語彙依存の軽減につながることを示した。
  論文  参考訳（メタデータ） (2022-09-21T15:35:02Z)
• Benchmarking zero-shot and few-shot approaches for tokenization, tagging, and dependency parsing of Tagalog text [0.0]
  注釈付きタガログデータがない場合にタスク固有モデル作成に補助的なデータソースを使用することを検討する。 これらのゼロショットと少数ショットのアプローチは、ドメイン内およびドメイン外の両方のタガログテキストの文法解析を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2022-08-03T02:20:10Z)
• Multilingual Extraction and Categorization of Lexical Collocations with Graph-aware Transformers [86.64972552583941]
  我々は,グラフ対応トランスフォーマアーキテクチャにより拡張されたBERTに基づくシーケンスタグ付けモデルを提案し,コンテキストにおけるコロケーション認識の課題について評価した。 以上の結果から, モデルアーキテクチャにおける構文的依存関係を明示的に符号化することは有用であり, 英語, スペイン語, フランス語におけるコロケーションのタイプ化の差異について考察する。
  論文  参考訳（メタデータ） (2022-05-23T16:47:37Z)
• On The Ingredients of an Effective Zero-shot Semantic Parser [95.01623036661468]
  我々は、標準発話とプログラムの訓練例を文法から言い換えて、ゼロショット学習を分析する。 改良された文法,より強力なパラフレーズ,効率的な学習手法を用いて,これらのギャップを埋めることを提案する。 我々のモデルはラベル付きデータゼロの2つの意味解析ベンチマーク(Scholar, Geo)で高い性能を達成する。
  論文  参考訳（メタデータ） (2021-10-15T21:41:16Z)
• More Than Words: Collocation Tokenization for Latent Dirichlet Allocation Models [71.42030830910227]
  モデルが異なる環境でクラスタリングの品質を測定するための新しい指標を提案する。 マージトークンでトレーニングされたトピックは、マージされていないモデルよりも、より明確で、一貫性があり、トピックを区別する効果が高いトピックキーをもたらすことを示す。
  論文  参考訳（メタデータ） (2021-08-24T14:08:19Z)
• A Multitask Learning Approach for Diacritic Restoration [21.288912928687186]
  アラビア語のような多くの言語では、発音と意味を区別するためにダイアクリティカルが用いられる。 このようなダイアクリティカル語はテキストで省略されることが多く、単語の発音や意味の数が増加する。 我々は、共同モデリングにおいて考慮すべきタスクに十分なデータ資源があるため、ケーススタディとしてアラビア語を使用します。
  論文  参考訳（メタデータ） (2020-06-07T01:20:40Z)

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。