論文の概要: Design Considerations in Low-Resource Archival OCR: A Case Study in Lakota

• arxiv url: http://arxiv.org/abs/2610.25440v1
• Date: Sun, 18 Oct 2026 18:02:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:39:42.179408
• Title: Design Considerations in Low-Resource Archival OCR: A Case Study in Lakota
• Title（参考訳）: 低エネルギーOCRにおける設計上の考察--ラコタを事例として
• Abstract要約: 小型視覚補正モデル(VLM)は、光学式文字認識(OCR)ツールとしてラコタに適用できる。 書き起こされた35ページのOCRポスト言語用微調整VLMは、文字誤り率(CER)を、バイリンガルコーパスで17.1から3.9%に下げる。
• 参考スコア（独自算出の注目度）: 23.911500029768238
• License:
• Abstract: Building and expanding access to digital archives supports language reclamation and creates lasting resources for community revitalization. Designing effective tools to support these efforts requires taking into account the community-, language-, and document-specific context. We investigate how small ($\leq$3B) vision-language models (VLMs) can be adapted as optical character recognition (OCR) tools for Lakota, a North American Indigenous language. In addition to benchmarking modeling approaches, we inspect four practical facets of low-resource archival OCR that arise in previous work and conversations with community members: constrained training budgets, segmentation noise, scan degradation, and orthographic variance. We demonstrate that fine-tuning VLMs for OCR post-correction on 35 pages of transcribed data decreases character error rate (CER) from 17.1 to 3.9\% on a bilingual corpus, and find that training only with nine pages increases CER by only 1.1\% over this. However, evaluating under realistic automatic segmentation nearly doubles the CER of the best-performing models, stressing the importance of taking realistic use cases into account. We hope this work encourages future research on developing language technologies grounded in the workflows and constraints of ongoing revitalization efforts.
• Abstract（参考訳）: デジタルアーカイブの構築と拡張は、言語再生をサポートし、コミュニティの活性化のための永続的な資源を作成する。 これらの取り組みをサポートする効果的なツールの設計には、コミュニティ、言語、文書固有のコンテキストを考慮する必要がある。 北米先住民言語ラコタの光学的文字認識(OCR)ツールとして,視覚言語モデル(VLM)の小型化について検討した。 モデリング手法のベンチマークに加えて,従来の作業やコミュニティメンバーとの会話で発生する,低リソースのOCRの4つの実践的側面を調査する。 書き起こしデータの35ページにわたるOCRポストコレクトのための微調整VLMは、バイリンガルコーパス上の文字誤り率(CER)を17.1から3.9\%に低下させ、9ページのみのトレーニングでCERを1.1\%増加させることを示した。 しかしながら、現実的な自動セグメンテーションの下での評価は、最高のパフォーマンスモデルのCERをほぼ2倍にし、現実的なユースケースを考慮することの重要性を強調している。 この取り組みは、現在進行中の活性化努力のワークフローと制約に根ざした言語技術の今後の研究を促進することを願っている。

関連論文リスト

• What Can Low Resource Languages Learn From Each Other? [4.131835597238715]
  我々は、クロススクリプトの「転送効果」を活かしたデータ効率のフレームワークを提案する。 提案手法はまず,高リソースベースモデルから言語固有の専門家を導出し,これらの専門家を統合された高性能な多言語バックボーンに融合させるタスク演算を用いる。
  論文  参考訳（メタデータ） (2026-08-27T22:32:35Z)
• Finetuning Vision-Language Models as OCR Systems for Low-Resource Languages: A Case Study of Manchu [0.0]
  危険に晒された言語である満州には、現実世界の歴史的文書を扱うことができる効果的なOCRシステムがない。 本研究では,3つのオープンソースビジョン言語モデルを微調整し,高性能なOCRシステムを構築する。 LLaMA-3.2-11Bは98.3%の単語精度と0.0024文字誤り率で優れた性能を達成した。
  論文  参考訳（メタデータ） (2025-07-09T11:38:20Z)
• CLOCR-C: Context Leveraging OCR Correction with Pre-trained Language Models [0.0]
  本稿では、コンテキストレバレッジOCR補正(CLOCR-C)を紹介する。 トランスフォーマーベースの言語モデル(LM)の組み込みとコンテキスト適応能力を使用して、OCRの品質を向上する。 本研究の目的は, LMがOCR後の修正を行うことができるか, 下流のNLPタスクを改善するか, 補正プロセスの一部として社会文化的文脈を提供する価値を判断することである。
  論文  参考訳（メタデータ） (2024-08-30T17:26:05Z)
• MoSECroT: Model Stitching with Static Word Embeddings for Crosslingual Zero-shot Transfer [50.40191599304911]
  クロスリンガルゼロショット転送のための静的単語埋め込みを用いたMoSECroTモデルスティッチについて紹介する。 本稿では,ソースコードPLMの埋め込みと対象言語の静的単語埋め込みのための共通空間を構築するために,相対表現を利用した最初のフレームワークを提案する。 提案するフレームワークは,MoSECroTに対処する際,弱いベースラインと競合するが,強いベースラインに比べて競合する結果が得られないことを示す。
  論文  参考訳（メタデータ） (2024-01-09T21:09:07Z)
• EfficientOCR: An Extensible, Open-Source Package for Efficiently Digitizing World Knowledge [1.8434042562191815]
  EffOCRは、オープンソースの光文字認識(OCR)パッケージである。 これは、大規模にテキストを解放するための計算とサンプルの効率の要求を満たす。 EffOCRは安価で、トレーニングにはサンプルの効率がよい。
  論文  参考訳（メタデータ） (2023-10-16T04:20:16Z)
• Strategies for improving low resource speech to text translation relying on pre-trained ASR models [59.90106959717875]
  本稿では,テキスト翻訳(ST)における低音源音声の性能向上のための技術と知見について述べる。 本研究は,英語とポルトガル語,タマシェク語とフランス語の2つの言語対について,シミュレーションおよび実低資源設定について実験を行った。
  論文  参考訳（メタデータ） (2023-05-31T21:58:07Z)
• User-Centric Evaluation of OCR Systems for Kwak'wala [92.73847703011353]
  OCRを利用すると、文化的に価値ある文書の書き起こしに費やした時間を50%以上削減できることを示す。 この結果から,OCRツールが下流言語ドキュメントや再生作業において持つ潜在的なメリットが示された。
  論文  参考訳（メタデータ） (2023-02-26T21:41:15Z)
• Understanding Translationese in Cross-Lingual Summarization [106.69566000567598]
  言語間要約(MS)は、異なる対象言語で簡潔な要約を生成することを目的としている。 大規模なCLSデータを集めるために、既存のデータセットは通常、それらの生成に翻訳を伴います。 本稿では、まず、CLSデータセット構築の異なるアプローチが、異なるレベルの翻訳に結びつくことを確認する。
  論文  参考訳（メタデータ） (2022-12-14T13:41:49Z)
• IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages [87.5457337866383]
  画像認識言語理解評価ベンチマークについて紹介する。 IGLUEは、視覚的質問応答、クロスモーダル検索、グラウンドド推論、20言語にわたるグラウンドドエンターテイメントタスクをまとめて提供する。 翻訳-テストの転送はゼロショットの転送よりも優れており、少数ショットの学習は多くのタスクに役立てることが難しい。
  論文  参考訳（メタデータ） (2022-01-27T18:53:22Z)
• Improving Candidate Generation for Low-resource Cross-lingual Entity Linking [81.41804263432684]
  XEL(クロスランガル・エンティティ・リンク)は、ソース言語テキストから抽出された参照をターゲット言語知識ベース(KB)で検索するタスクである。 本稿では,(1)エンティティ参照とKBエントリの切断を減らすこと,(2)低リソースシナリオへのモデルの堅牢性を改善すること,の3つの改良を提案する。
  論文  参考訳（メタデータ） (2020-03-03T05:32:09Z)

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。