論文の概要: EvenVLM: A Text and Multimodal Dataset for the Even Language with Vision-Language Fine-Tuning
- arxiv url: http://arxiv.org/abs/2611.16500v1
- Date: Thu, 12 Nov 2026 09:03:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.407993
- Title: EvenVLM: A Text and Multimodal Dataset for the Even Language with Vision-Language Fine-Tuning
- Title(参考訳): EvenVLM:視覚言語ファインチューニングによる偶数言語のためのテキストとマルチモーダルデータセット
- Abstract要約: EvenVLMは、シベリアで約6,800人が話す絶滅危惧言語であるEven (Lamut)の最初のテキストおよびマルチモーダル(VQA)データセットである。
このデータセットは, GPT-4o Mini を用いた解析により, 辞書やフレーズブックソースから抽出した50,521個のロシア語句からなる。
我々は、翻訳、文法、読解、意味分類にまたがる107,543の学習例を合成的に生成する。
- 参考スコア(独自算出の注目度): 0.5729426778193398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present EvenVLM, the first text and multimodal (VQA) dataset for Even (Lamut), an endangered Northern Tungusic language spoken by approximately 6,800 people in Siberia. Our dataset comprises 50,521 structured Even-Russian entries extracted from dictionary and phrasebook sources via GPT-4o Mini-based parsing, from which we synthetically generate 107,543 training examples spanning translation, grammar, reading comprehension, and semantic classification. To address tokenization inefficiency on Even's agglutinative morphology, we propose a three-step tokenizer expansion algorithm that adds Even-specific graphemes (eng, oe, o-umlaut), whitelisted vocabulary, and BPE merges, reducing average tokens per word by 27% (4.99 to 3.64). Using LoRA fine-tuning of Qwen3-VL-4B, we adapt the model for text tasks (0.53% trainable parameters, rank 32) and separately for visual question answering (rank 64, frozen vision encoder). Our best configuration achieves 11.4% exact match and a 13.6 weighted score on text benchmarks, 0.1283 chrF for sentence translation, and 65% accuracy on VQA (up from 0% for the base model and text-only fine-tuning). We release our datasets, evaluation benchmarks, and training pipeline to support further research on Even and other low-resource languages.
- Abstract(参考訳): シベリアで約6,800人が話す北タングス語(英語版)の絶滅危惧言語であるEven(Lamut)の最初のテキスト・マルチモーダル(VQA)データセットであるEvenVLMを提示する。
GPT-4o Mini-based parsing を用いて辞書やフレーズブックソースから抽出した50,521個の偶文を抽出し,翻訳,文法,読解,意味分類を対象とする107,543の学習例を合成的に生成した。
Evenの凝集形態に対するトークン化の非効率性に対処するため、Even-specific graphemes (eng, oe, o-umlaut)、Whitelisted vocabulary、BPE mergesを加えた3ステップのトークン化拡張アルゴリズムを提案し、単語毎の平均トークンを27%削減する(4.99~3.64)。
Qwen3-VL-4BのLoRA微調整を用いて、テキストタスク(0.53%のトレーニング可能なパラメータ、ランク32)と視覚的質問応答(64ランク、凍結視覚エンコーダ)を別々に適用する。
我々の最高の構成は、テキストベンチマークで11.4%の正確な一致と13.6の重み付けスコア、文章翻訳で0.1283 chrF、VQAで65%の精度(ベースモデルとテキストのみの微調整で0%から上昇)を達成した。
データセット、評価ベンチマーク、トレーニングパイプラインをリリースし、Evenや他の低リソース言語に関するさらなる研究を支援しています。
関連論文リスト
- sk-bench: A Native-First Benchmark for Evaluating Large Language Models in Slovak [2.3487810957566793]
sk-benchは、30のデータセットを持つネイティブファーストのスロバキアのベンチマークである。
生成LLM評価のための11のリソースが導入されたか、最初にパッケージ化された。
論文 参考訳(メタデータ) (2026-10-06T21:51:22Z) - Vowel Signs Are Not Letters: A Pre-tokenization Ceiling on Multilingual Tokenizer Fertility [0.0]
バグダスクリプトでは、母音は結合マークとして書かれており、このパターンは各母音記号でそれぞれの単語を分割する。
BPEはプレトーケン内でのみマージするため、これらの分割は語彙サイズやコーパス構成に関係なくトレーニングを通じて持続する。
平行コーパスから26の言語にまたがって、17のバグダのうち1つが影響を受けており、それらは1.47倍(チベット語)から9.02倍(タイ語)まで様々である。
5つの言語では、この文字クラスでのみ異なる一致するトークン化器ペアが予測フロアの2.2%以内に落ち、ネパール語では1語当たりのトークンが4.78、ネパール語では1.58である。
論文 参考訳(メタデータ) (2026-08-26T22:56:24Z) - From Speech to Text Corpora: Evaluating ASR-Based Data Acquisition for Low-Resource Fongbe and Hausa [11.053174014226078]
ASRパイプラインが2つのタイプ別西アフリカ言語のためのテキストリソースを拡張できるかどうかを検討する。
我々は12.3時間のFongbeデータセットでMMS-300Mを微調整し、ALFFAベンチマークで9.48%のWERを達成した。
我々は1,553本のYouTube動画(236時間)をカタログ化し、424本の動画(45.49時間)のサブセットを処理し、ドメインの多様性と利用可能な計算資源のバランスをとる。
言語毎の50のランダムサンプリングセグメントに対する人間による評価は、Hausaでは57.4/100、Fongbeでは36.5/100の平均品質スコアを示している。
論文 参考訳(メタデータ) (2026-06-20T23:51:55Z) - 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) - SlovKE: A Large-Scale Dataset and LLM Evaluation for Slovak Keyphrase Extraction [0.00954904463032233]
形態学的に豊かな低リソース言語のためのキーフレーズ抽出は現在も検討されている。
著者指定キーフレーズを用いた227,432の科学的要約データセットを構築した。
KeyLLMは、著者によって割り当てられた標準形式に近いキーフレーズを生成する。
統計的手法では,形態的ミスマッチが主流の障害モードであることがわかった。
論文 参考訳(メタデータ) (2026-03-16T16:47:45Z) - Simultaneous Speech-to-Speech Translation Without Aligned Data [52.467808474293605]
同時音声翻訳では、ソース音声を対象言語にリアルタイムで翻訳する必要がある。
単語レベルのアライメントを完全に不要にするヒビキゼロを提案する。
Hibiki-Zeroは5つのX-英語タスクの翻訳精度、レイテンシ、音声転送、自然性において最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2026-02-11T17:41:01Z) - Vuyko Mistral: Adapting LLMs for Low-Resource Dialectal Translation [0.0]
本稿では,ウクライナのフツル方言に大規模な言語モデルを適用するための最初の取り組みを紹介する。
我々は、9852語対標準ウクライナ語の文対と7320語の単語マッピングの辞書の並列コーパスを作成しました。
論文 参考訳(メタデータ) (2025-06-09T10:30:35Z) - ASR2K: Speech Recognition for Around 2000 Languages without Audio [100.41158814934802]
対象言語に音声を必要としない音声認識パイプラインを提案する。
私たちのパイプラインは、音響、発音、言語モデルという3つのコンポーネントで構成されています。
我々は、1909年の言語をCrubadanと組み合わせて、大きな絶滅危惧言語n-gramデータベースを構築した。
論文 参考訳(メタデータ) (2022-09-06T22:48:29Z) - OneAligner: Zero-shot Cross-lingual Transfer with One Rich-Resource
Language Pair for Low-Resource Sentence Retrieval [91.76575626229824]
文検索タスク用に特別に設計されたアライメントモデルであるOneAlignerを提案する。
大規模並列多言語コーパス(OPUS-100)の全ての言語ペアで訓練すると、このモデルは最先端の結果が得られる。
実験結果から,文アライメントタスクの性能はモノリンガルおよび並列データサイズに大きく依存することがわかった。
論文 参考訳(メタデータ) (2022-05-17T19:52:42Z) - Consecutive Decoding for Speech-to-text Translation [51.155661276936044]
COnSecutive Transcription and Translation (COSTT)は、音声からテキストへの翻訳に不可欠な手法である。
鍵となるアイデアは、ソースの書き起こしとターゲットの翻訳テキストを1つのデコーダで生成することである。
本手法は3つの主流データセットで検証する。
論文 参考訳(メタデータ) (2020-09-21T10:10:45Z)
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。