multilingual dataset | BriefGPT

关键词multilingual dataset

搜索结果 - 39

YODAS: 面向 YouTube 的音频和语音数据集
本研究介绍了 YODAS（YouTube 定向音频和语音数据集），这是一个包含 100 多种语言中超过 500,000 小时语音数据的大规模多语言数据集，数据来源于已标记和未标记的 YouTube 语音数据集。我们介绍了 YODAS 的收集
PDFa month ago
PolyGlotFake：一种新颖的多语言和多模态 DeepFake 数据集
通过提出一个新颖的、多语种的、多模态的深度伪造数据集 PolyGlotFake，本研究在该数据集上进行了实验，展示了多模态深度伪造检测研究中的重要挑战和实用价值。
PDF2 months ago
COLING一种新的大规模多语言数据集用于高性能语言技术
我们介绍了 HPLT（高性能语言技术）语言资源，这是一个包括来自 CommonCrawl 和互联网档案的先前未使用的网络爬取的单语和双语语料库的大规模多语言数据集。我们描述了我们采集、管理和处理大型语料库的方法，这些方法依赖于开源软件工具和
PDF3 months ago
API Pack：用于 API 调用生成的大规模多语言数据集
我们介绍了 API Pack，这是一个包含超过一百万个指令 - API 调用对的多语言数据集，旨在提高大型语言模型的 API 调用生成能力。通过实验，我们证明了 API Pack 在增强这一专业任务的模型能力方面的有效性，同时保持了其对于一
PDF5 months ago
EMNLP中等收入国家的 COVID-19 疫苗虚假信息
本研究介绍了一个涉及巴西、印度尼西亚和尼日利亚三个中等收入国家的 COVID-19 疫苗错误信息的多语言数据集。我们采用了两种方法来开发 COVID-19 疫苗错误信息检测模型：领域特定的预训练和使用大型语言模型进行文本增强。我们的最佳错误
PDF7 months ago
EMNLPJWSign: 一个高度多语言的圣经翻译语料库，为手语处理提供更多样化
通过引入一个新的大型、高度多语言的手语翻译数据集 JWSign，我们在 2,530 个小时的圣经翻译中报告了神经机器翻译实验。除了双语基线系统外，我们还训练了多语言系统，其中包括考虑手语或口语语言类型学相关性的系统。实验证明，多语言系统优于
PDF8 months ago
EMNLP为何应删除此文章？多语言维基百科编辑讨论中的透明立场检测
通过构建多语言数据集和联合预测模型，该研究提供了透明化内容审查的决策过程，以提高在线平台上内容的透明度和自动化审查研究的进展。
PDF9 months ago
AMuRD：跨语言键信息提取与分类的注释多语种收据数据集
本文介绍了一种用于收据提取的新颖多语言数据集，解决了信息提取和项目分类中的关键挑战，并介绍了 InstructLLaMA 方法，在关键信息提取和项目分类方面实现了 0.76 的 F1 分数和 0.68 的准确性。
PDF10 months ago
ACL利用神经机器翻译构建多语言代码搜索数据集
本研究使用神经机器翻译模型，创建了一个包括四种自然语言和四种编程语言的多语言代码搜索数据集，并使用 Transformer 模型预训练和微调，然后在多个代码搜索测试集上进行评估。结果显示，预训练模型在自然语言和编程语言数据上表现最佳。通过应
PDFa year ago
DaMuEL：用于实体链接的大型多语言数据集
介绍一个包涵 53 种语言数据的 DaMuEL 多语言实体链接大规模数据集，它包含一个关于实体的语言无关信息的知识库和与实体链接到知识库的维基百科文本，使用 Wikidata 的 QID 作为持久的语言无关标识符。
PDFa year ago
ACL提供更多细节：利用潜在检索改进事实核查
该研究旨在改善自动事实核查系统，并尝试将原始文档的全文作为证据，并引入了两个丰富的数据集。实验证明，即使没有标注黄金证据句子，包括原始文档在内的证据可以提供足够的上下文线索，该系统能够在不同的设置下显著提高最佳报告模型的精度。
PDFa year ago
ACL低资源语言下跨语言知识蒸馏的答案句子选择
本文提出了一种名为 Cross-Lingual Knowledge Distillation (CLKD) 的方法，使用强大的英文 Answer Sentence Selection（AS2）模型作为老师进行跨语言知识蒸馏，可用于训练对于标
PDFa year ago
ACL历史报纸广告的多语言事件抽取
这篇研究探讨如何从历史文本中提取事件，并介绍了一个在英语、法语和荷兰语中报导解放奴隶的早期殖民时期报纸广告所组成的新的多语言数据集，作者发现通过将问题描述为提取式 QA 任务，并利用现有的现代语言数据集和模型，即使数据有限，也能实现令人惊讶
PDFa year ago
LAHM：用于多领域和多语言仇恨言论识别的大型注释数据集
本文介绍一种新的多语言仇恨言论分析数据集，涵盖了英语、印地语、阿拉伯语、法语、德语和西班牙语等六种语言，针对辱骂、种族主义、性别歧视、宗教仇视和极端主义等五大领域进行多角度分类，采用多任务学习方法对数据进行测试，以期提高仇恨言论检测和分类的
PDFa year ago
MMT：一个印度多语言和多主题的社交媒体数据集
本文介绍了一个从 Twitter 中收集的大规模、多语言和多主题数据集，包括印度情境下 13 个粗粒度和 63 个细粒度的主题，以及对其中一部分数据进行的注释，进而展示当前现有工具在语言识别和主题建模上面对的挑战和失败，以及为未来的相关研究
PDFa year ago
使用真实标签进行语言种类识别
本文介绍了 DSL True Labels (DSL-TL)，这是第一个人工标注的多语言类别识别数据集，并介绍了使用此数据集训练出的多个模型以区分语言类别的结果，这为开发更强大和更公平的语言类别识别系统提供了可靠的基准，并免费提供给研究社区
PDFa year ago
VLSP2022-EVJVQA 挑战：多语言视觉问答
本文提出了一个基于越南图片的多语言视觉问答基准数据集 EVJVQA，用于评估多语言 VQA 系统或模型，并详细介绍了 9th Workshop on Vietnamese Language and Speech Processing (VL
PDFa year ago
多语言内容管理：Reddit 案例研究
该研究介绍了一个多语言 Reddit 评论数据集，并通过对该数据集的实验分析，阐述了内容管理的挑战和相关研究问题，为自动内容管理的挑战和机遇做准备。
PDFa year ago
预训练的多语言模型在不同语言间的公平性是否相同？
探讨预训练多语言语言模型的组公平性，通过创建一个新的平行洞察测试实例的多语言数据集（MozArt）及使用人口统计信息来评估三种多语言模型（mBERT，XLM-R 和 mT5），我们发现这三种模型在四种目标语言中表现出不同程度的组不公平性，例
PDF2 years ago
EMNLPHumSet: 人道主义危机响应的多语言信息提取和分类数据集
为了快速有效地应对人道主义危机，我们提出并发布了 HumSet，这是一个包含跨越世界各地 2018 年至 2021 年人道主义危机文件的创新性和丰富的多语言数据集，通过专家的鉴定和注释，可以高度受益于在人道主义响应领域中训练的专家协助的 N
PDF2 years ago