論文の概要: How Well Do Decision Models Transfer to Vietnamese? An Empirical Study of Text Classification

• arxiv url: http://arxiv.org/abs/2610.31422v1
• Date: Thu, 22 Oct 2026 15:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.423422
• Title: How Well Do Decision Models Transfer to Vietnamese? An Empirical Study of Text Classification
• Title（参考訳）: 意思決定モデルがベトナムにどのように移行するか : テキスト分類の実証的研究
• Abstract要約: 本研究は、6つのタスクグループにまたがる13の分類設定における4つの特別な決定モデルを評価する。 この評価は、英語、ベトナム語、バイリンガル語のラベルの記述と、ティーンコード、タイポグラフィーの誤り、ダイアクリティカルな除去を含む共通の言語的摂動を考慮している。 英語のラベル記述では、JEVは11の分類設定で最強の総合的なパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in specialized decision models have expanded the possibilities for zero-shot classification, yet their effectiveness on Vietnamese remains underexplored. This study evaluates four specialized decision models across 13 classification settings spanning six task groups, examining zero-shot performance, sensitivity to label-description language, and robustness to Vietnamese linguistic variations. The evaluation considers English, Vietnamese, and bilingual label descriptions, alongside common linguistic perturbations involving teencode, typographical errors, and diacritic removal. Under English label descriptions, JEV achieves the strongest overall performance, ranking first in 11 classification settings. The effects of label-description language vary across models and datasets, with bilingual descriptions providing no consistent improvement. Robustness experiments reveal that diacritic removal causes the most substantial performance degradation, reducing mean macro-$F_1$ by 9.51--15.47 points across model configurations, considerably more than teencode or typographical errors. These findings highlight the importance of label-description choices and Vietnamese orthographic variation when evaluating specialized decision models for zero-shot text classification.
• Abstract（参考訳）: 特殊決定モデルの最近の進歩はゼロショット分類の可能性を広げてきたが、ベトナムにおけるその効果は未解明のままである。 本研究は、6つのタスクグループにまたがる4つの特殊決定モデルについて評価し、ゼロショット性能、ラベル記述言語への感受性、ベトナム語の変動に対する堅牢性について検討した。 この評価は、英語、ベトナム語、バイリンガル語のラベルの記述と、ティーンコード、タイポグラフィーエラー、ダイアクリティカルな除去を含む共通の言語的摂動を考慮している。 英語のラベル記述では、JEVは11の分類設定で最強の総合的なパフォーマンスを達成している。 ラベル記述言語の効果はモデルやデータセットによって異なり、バイリンガル記述は一貫した改善を提供しない。 ロバストネスの実験では、ダイアクリティカルな除去が最大の性能低下を引き起こし、平均マクロ$F_1$を9.51-15.47ポイント削減し、ティーンコードやタイポグラフィーの誤りよりもかなり大きいことが示されている。 これらの結果は、ゼロショットテキスト分類のための特別な決定モデルを評価する際に、ラベル記述の選択とベトナムの正書法の変化の重要性を強調した。

関連論文リスト

• Evaluating Multilingual Sentence Embeddings for Translation Error Detection:An English--Greek Contrastive Study [0.0]
  本研究は,多言語埋め込みモデルが正しい英語-ギリシャ語翻訳を区別できるかどうかを考察する。 10コアに1,850のサンプルと5つの探索エラーカテゴリが含まれている。 埋め込みモデルは、テンソル・アンド・アスペクトや代名詞・基準誤差よりも明確な事実・語彙的変化を確実に検出した。
  論文  参考訳（メタデータ） (2026-08-28T18:32:54Z)
• Linguistically Informed Graph Model and Semantic Contrastive Learning for Korean Short Text Classification [2.4071330817126477]
  韓国の短文分類のための階層的ヘテロジニアスグラフモデルであるLIGRAMを提案する。 提案モデルでは, 形態素, パート・オブ・スポーチ, 名前の一致度でサブグラフを構築し, 階層的に統合し, 短いテキストで限られた文脈情報を補う。 韓国の4つの短文データセット上でLIGRAMを評価し、既存のベースラインモデルより一貫して優れています。
  論文  参考訳（メタデータ） (2026-03-04T02:17:13Z)
• Trusting CHATGPT: how minor tweaks in the prompts lead to major differences in sentiment classification [0.0]
  本研究では,インプットの構造の微妙な変化が,感情極性分析の分類結果に有意な変化をもたらすことはないという仮説を検証した。 ラテンアメリカの4人の大統領に対するスペイン語で10万件のコメントのデータセットを用いて、このモデルは10回ごとに肯定的、否定的、中立的なコメントを分類し、それぞれのプロンプトをわずかに変化させた。
  論文  参考訳（メタデータ） (2025-04-16T15:37:09Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• Unlikelihood Tuning on Negative Samples Amazingly Improves Zero-Shot Translation [79.96416609433724]
  Zero-shot Translation (ZST)は、トレーニングデータにおいて、目に見えない言語ペア間の翻訳を目的としている。 推論中にゼロショット言語マッピングをガイドする一般的な方法は、ソースとターゲット言語IDを意図的に挿入することである。 近年の研究では、言語IDが時折ZSTタスクのナビゲートに失敗し、ターゲット外問題に悩まされることが示されている。
  論文  参考訳（メタデータ） (2023-09-28T17:02:36Z)
• Language Model Classifier Aligns Better with Physician Word Sensitivity than XGBoost on Readmission Prediction [86.15787587540132]
  語彙レベルでモデルの振る舞いを精査する尺度である感度スコアを導入する。 本実験は,感度スコアのランク相関に基づいて,臨床医と分類医の意思決定論理を比較した。
  論文  参考訳（メタデータ） (2022-11-13T23:59:11Z)
• 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。