ترجمه فارسی مقاله انتقال متقابل مدل های چند زبانه بر روی زبان های کم منابع آفریقایی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Cross-lingual transfer of multilingual models on low resource African Languages
عنوان مقاله به فارسی انتقال متقابل مدل های چند زبانه بر روی زبان های کم منابع آفریقایی
نویسندگان Harish Thangaraj, Ananya Chenat, Jaskaran Singh Walia, Vukosi Marivate
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 17 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Large multilingual models have significantly advanced natural language processing (NLP) research. However, their high resource demands and potential biases from diverse data sources have raised concerns about their effectiveness across low-resource languages. In contrast, monolingual models, trained on a single language, may better capture the nuances of the target language, potentially providing more accurate results. This study benchmarks the cross-lingual transfer capabilities from a high-resource language to a low-resource language for both, monolingual and multilingual models, focusing on Kinyarwanda and Kirundi, two Bantu languages. We evaluate the performance of transformer based architectures like Multilingual BERT (mBERT), AfriBERT, and BantuBERTa against neural-based architectures such as BiGRU, CNN, and char-CNN. The models were trained on Kinyarwanda and tested on Kirundi, with fine-tuning applied to assess the extent of performance improvement and catastrophic forgetting. AfriBERT achieved the highest cross-lingual accuracy of 88.3% after fine-tuning, while BiGRU emerged as the best-performing neural model with 83.3% accuracy. We also analyze the degree of forgetting in the original language post-fine-tuning. While monolingual models remain competitive, this study highlights that multilingual models offer strong cross-lingual transfer capabilities in resource limited settings.

چکیده به فارسی (ترجمه ماشینی)

مدلهای بزرگ چند زبانه تحقیقات پردازش زبان طبیعی (NLP) به طور قابل توجهی پیشرفته دارند.با این حال ، تقاضای منابع بالای آنها و تعصبات احتمالی از منابع داده های متنوع ، نگرانی هایی در مورد اثربخشی آنها در زبان های کم منبع ایجاد کرده است.در مقابل ، مدل های یک زبانه ، که بر روی یک زبان واحد آموزش دیده اند ، ممکن است بهتر از ظرافت زبان هدف را ضبط کنند ، به طور بالقوه نتایج دقیق تری را ارائه می دهند.این مطالعه ، قابلیت های انتقال متقابل زبانی را از یک زبان با منبع بالا به یک زبان با منبع کم برای هر دو مدل یک زبانه و چند زبانه ، با تمرکز بر Kinyarwanda و Kirundi ، دو زبان بانتو ، معیار می کند.ما عملکرد معماری های مبتنی بر ترانسفورماتور مانند چند زبانه Bert (Mbert) ، Afribert و Bantuberta را در برابر معماری های مبتنی بر عصبی مانند Bigru ، CNN و Char-CNN ارزیابی می کنیم.این مدل ها در Kinyarwanda آموزش داده شدند و بر روی Kirundi مورد آزمایش قرار گرفتند ، با تنظیم دقیق برای ارزیابی میزان بهبود عملکرد و فراموشی فاجعه بار.Afribert پس از تنظیم دقیق ، بالاترین دقت متقابل 88.3 ٪ را بدست آورد ، در حالی که Bigru به عنوان بهترین مدل عصبی با دقت 83 ٪ ظاهر شد.ما همچنین میزان فراموشی را در تنظیم زبان اصلی پس از تنظیمات تجزیه و تحلیل می کنیم.در حالی که مدل های یک زبانه همچنان رقابتی هستند ، این مطالعه برجسته می کند که مدل های چند زبانه قابلیت انتقال متقابل متقابل را در تنظیمات محدود منابع ارائه می دهند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.