BAD-X: Bilingual Adapters Improve Zero-Shot Cross-Lingual Transfer
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3AAQKV4XT9" target="_blank" >RIV/00216208:11320/22:AQKV4XT9 - isvavai.cz</a>
Výsledek na webu
<a href="https://aclanthology.org/2022.naacl-main.130" target="_blank" >https://aclanthology.org/2022.naacl-main.130</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.18653/v1/2022.naacl-main.130" target="_blank" >10.18653/v1/2022.naacl-main.130</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
BAD-X: Bilingual Adapters Improve Zero-Shot Cross-Lingual Transfer
Popis výsledku v původním jazyce
Adapter modules enable modular and efficient zero-shot cross-lingual transfer, where current state-of-the-art adapter-based approaches learn specialized language adapters (LAs) for individual languages. In this work, we show that it is more effective to learn bilingual language pair adapters (BAs) when the goal is to optimize performance for a particular source-target transfer direction. Our novel BAD-X adapter framework trades off some modularity of dedicated LAs for improved transfer performance: we demonstrate consistent gains in three standard downstream tasks, and for the majority of evaluated low-resource languages.
Název v anglickém jazyce
BAD-X: Bilingual Adapters Improve Zero-Shot Cross-Lingual Transfer
Popis výsledku anglicky
Adapter modules enable modular and efficient zero-shot cross-lingual transfer, where current state-of-the-art adapter-based approaches learn specialized language adapters (LAs) for individual languages. In this work, we show that it is more effective to learn bilingual language pair adapters (BAs) when the goal is to optimize performance for a particular source-target transfer direction. Our novel BAD-X adapter framework trades off some modularity of dedicated LAs for improved transfer performance: we demonstrate consistent gains in three standard downstream tasks, and for the majority of evaluated low-resource languages.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
—
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies
ISBN
978-1-955917-71-1
ISSN
—
e-ISSN
—
Počet stran výsledku
9
Strana od-do
1791-1799
Název nakladatele
Association for Computational Linguistics
Místo vydání
—
Místo konání akce
Seattle, United States
Datum konání akce
1. 1. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—