Fugu-MT 論文翻訳(概要): Neural POS Tagging for the Low-Resource Saraiki

論文の概要: Neural POS Tagging for the Low-Resource Saraiki

arxiv url: http://arxiv.org/abs/2610.20279v1
Date: Wed, 14 Oct 2026 14:38:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:16.207013
Title: Neural POS Tagging for the Low-Resource Saraiki
Title（参考訳）: 低リソースサラキのためのニューラルPOSタグ
Abstract要約: 音声のタグ付けは基本的なシーケンスラベリングタスクであり、多くの下流自然言語処理アプリケーションにとって重要なコンポーネントである。本稿では,平文から作成した手動注釈付きSaraiki Universal POSタグデータセットを提案する。
参考スコア（独自算出の注目度）: 0.25128687379089687
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Part-of-speech tagging is a fundamental sequence labeling task and an important component for many downstream natural language processing applications. However, Saraiki, written from right to left in a Perso-Arabic script, remains an under-resourced Indo-Aryan language, despite being spoken as a mother tongue by 28,849,579 people (approximately 28.9 million) according to Pakistan 7th Population and Housing Census 2023. This paper presents a manually annotated Saraiki Universal POS tagging dataset developed from plain-text. We annotated the text with 17 POS categories. We evaluate three pretrained transformer encoders under the same fine-tuning setup: XLM-RoBERTa base, Urdu RoBERTa small, and multilingual DistilBERT. Experimental results over five random seeds show that XLM-RoBERTa base achieves the best performance, with 87.29% +/- 0.21% development accuracy and 88.60% +/- 0.21% test accuracy. Urdu RoBERTa small and multilingual DistilBERT also provide competitive results, suggesting that multilingual and related-script pretrained encoders are effective for Saraiki UPOS tagging. The dataset, evaluation setup, and baseline results introduced in this work provide a benchmark for future research on Saraiki NLP and low-resource sequence labeling.
Abstract（参考訳）: 音声のタグ付けは基本的なシーケンスラベリングタスクであり、多くの下流自然言語処理アプリケーションにとって重要なコンポーネントである。しかし、パキスタン第7人口・住宅国勢調査2023によると、サライキ語は母国語として28,849,579人(約289万人)が話されているにもかかわらず、ペルソ・アラビア文字で右から左へ書き継がれている。本稿では,平文から作成した手動注釈付きSaraiki Universal POSタグデータセットを提案する。私たちは17のPOSカテゴリで注釈を付けました。 XLM-RoBERTabase, Urdu RoBERTa small, multilingual DistilBERT。 5つのランダムシードに対する実験の結果、XLM-RoBERTa塩基は87.29%+/- 0.21%開発精度88.60%+/- 0.21%テスト精度で最高の性能を発揮することが示された。 Urdu RoBERTa 小型・多言語 DistilBERT も競合する結果となり,多言語および関連スクリプト事前学習エンコーダがSaraiki UPOS タグ付けに有効であることが示唆された。本研究で導入されたデータセット,評価設定,ベースライン結果は,Saraiki NLPと低リソースシーケンスラベリングに関する将来の研究のためのベンチマークを提供する。

関連論文リスト

Isolated Sign Language Recognition for Icelandic Sign Language: Experiments in a Low-resource Setting [5.9310732908776345]
アイスランド手話(TM)における孤立手話認識に関する最初の実験について述べる。我々は、バイリンガルのアイスランド語--TMオンライン辞書から派生したデータセットであるTM SignWikiを使用している。1,845本のビデオが849のクラスをカバーしており、そのうち86%が2つの例しか持っていない。我々は,オープンソースのISLRフレームワークであるOpenHandsとSPOTERを,語彙サイズを増大させる3つのタスクで比較した。
論文参考訳（メタデータ） (2026-09-22T08:26:36Z)
L3Cube-MahaPOS: A Marathi Part-of-Speech Tagging Dataset and BERT Models [2.584263027095689]
Part-of-Speech(POS)タグ付けは、機械翻訳、情報抽出、構文解析を支える基礎的なNLPタスクである。マラティー語は8300万人以上の人々が話しており、世界でもトップ20の言語にランクインしている。 HMM, CRF, BiLSTM, BiLSTM+CharCNN, MuRIL, Marathi 固有の変換器 MahaBERT-v2 にまたがる6つのモデルファミリのデータセットをベンチマークした。最高のシステムはトークンレベルの精度88.67%、マクロF1は15の評価タグクラスに対して81.67%である。
論文参考訳（メタデータ） (2026-06-23T17:10:46Z)
TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset and Preliminary Results with Scalable Data Mining In-the-Wild [102.11425887660327]
音声技術は急速に進歩し、世界中の多様な人口に役立っている。多くの言語は限られた資源のために表現されていない。台湾の台義における実世界の発話意図データセットであるtextbfTaigiSpeechを紹介した。
論文参考訳（メタデータ） (2026-03-23T01:44:45Z)
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)
SLRTP2025 Sign Language Production Challenge: Methodology, Results, and Future Work [87.9341538630949]
第1回手話生産チャレンジはCVPR 2025で第3回SLRTPワークショップの一環として開催された。コンペティションの目的は、音声言語文からスケルトンポーズのシーケンスに変換するアーキテクチャを評価することである。本稿では,挑戦設計と入賞方法について述べる。
論文参考訳（メタデータ） (2025-08-09T11:57:33Z)
Breaking Language Barriers in Multilingual Mathematical Reasoning: Insights and Observations [59.056367787688146]
本稿では, マルチリンガル数学推論 (xMR) LLM の探索と学習の先駆者である。我々は10の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。翻訳を利用して、10個の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。
論文参考訳（メタデータ） (2023-10-31T08:09:20Z)
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)
Yunshan Cup 2020: Overview of the Part-of-Speech Tagging Task for Low-resourced Languages [5.107836821794065]
Yunshan Cup 2020のトラックは、音声のさまざまな方法(POS)を評価するためのフレームワークの作成に焦点を当てている。インドネシアのデータセットは、29タグ以内のインドネシアのニュースから1万文で構成されている。 Laoデータセットは、27タグ内の8000の文で構成されている。
論文参考訳（メタデータ） (2022-04-06T08:16:22Z)
An Attention Ensemble Approach for Efficient Text Classification of Indian Languages [0.0]
本稿では,インド・デヴァナガリ文字を母語とするマラーティー語における短文文書の細かな技術領域識別について述べる。畳み込みニューラルネットワークが生成する中間文表現と双方向の長期記憶とを合体させ,効率的なテキスト分類を実現するcnn-bilstm注意アンサンブルモデルを提案する。実験結果から,提案モデルが与えられたタスクにおける各種ベースライン機械学習および深層学習モデルより優れ,89.57%,f1スコア0.8875の検証精度が得られた。
論文参考訳（メタデータ） (2021-02-20T07:31:38Z)
Explicit Alignment Objectives for Multilingual Bidirectional Encoders [111.65322283420805]
本稿では,多言語エンコーダAMBER(Aligned Multilingual Bi-directional EncodeR)の学習方法を提案する。 AMBERは、異なる粒度で多言語表現を整列する2つの明示的なアライメント目標を使用して、追加の並列データに基づいて訓練される。実験結果から、AMBERは、シーケンスタグ付けで1.1平均F1スコア、XLMR-大規模モデル上での検索で27.3平均精度を得ることがわかった。
論文参考訳（メタデータ） (2020-10-15T18:34:13Z)

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。