ترجمه فارسی مقاله گزارش آلودگی داده‌ها از وظیفه مشترک CONDA 2024

چکیده

The 1st Workshop on Data Contamination (CONDA 2024) focuses on all relevant aspects of data contamination in natural language processing, where data contamination is understood as situations where evaluation data is included in pre-training corpora used to train large scale models, compromising evaluation results. The workshop fostered a shared task to collect evidence on data contamination in current available datasets and models. The goal of the shared task and associated database is to assist the community in understanding the extent of the problem and to assist researchers in avoiding reporting evaluation results on known contaminated resources. The shared task provides a structured, centralized public database for the collection of contamination evidence, open to contributions from the community via GitHub pool requests. This first compilation paper is based on 566 reported entries over 91 contaminated sources from a total of 23 contributors. The details of the individual contamination events are available in the platform. The platform continues to be online, open to contributions from the community.

چکیده به فارسی (ترجمه ماشینی)

اولین کارگاه در مورد آلودگی داده ها (CONDA 2024) بر کلیه جنبه های مربوط به آلودگی داده ها در پردازش زبان طبیعی متمرکز است ، جایی که آلودگی داده ها به عنوان موقعیت هایی درک می شود که داده های ارزیابی در شرکت های قبل از آموزش برای آموزش مدلهای در مقیاس بزرگ مورد استفاده قرار می گیرند ، نتایج ارزیابی را به خطر می اندازندبشراین کارگاه یک کار مشترک را برای جمع آوری شواهد در مورد آلودگی داده ها در مجموعه داده ها و مدل های موجود تهیه کرده است.هدف از کار مشترک و بانک اطلاعاتی مرتبط ، کمک به جامعه در درک میزان مشکل و کمک به محققان در جلوگیری از نتایج ارزیابی ارزیابی در مورد منابع آلوده شناخته شده است.کار مشترک یک پایگاه داده عمومی ساختاری و متمرکز برای جمع آوری شواهد آلودگی فراهم می کند ، که از طریق درخواست های استخر GitHub ، به کمک های جامعه باز است.این مقاله اول گردآوری بر اساس 566 ورودی گزارش شده بیش از 91 منبع آلوده از کل 23 مشارکت کننده است.جزئیات وقایع آلودگی فردی در سیستم عامل موجود است.این پلتفرم همچنان به صورت آنلاین و باز است و به کمک های جامعه باز است.