TADA: Task-Agnostic Dialect Adapters for English

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A6H5GJ2U8" target="_blank" >RIV/00216208:11320/23:6H5GJ2U8 - isvavai.cz</a>

Výsledek na webu

<a href="http://arxiv.org/abs/2305.16651" target="_blank" >http://arxiv.org/abs/2305.16651</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.18653/v1/2023.findings-acl.51" target="_blank" >10.18653/v1/2023.findings-acl.51</a>

Jazyk výsledku

angličtina

Název v původním jazyce

TADA: Task-Agnostic Dialect Adapters for English

Popis výsledku v původním jazyce

"Large Language Models, the dominant starting point for Natural Language Processing (NLP) applications, fail at a higher rate for speakers of English dialects other than Standard American English (SAE). Prior work addresses this using task-specific data or synthetic data augmentation, both of which require intervention for each dialect and task pair. This poses a scalability issue that prevents the broad adoption of robust dialectal English NLP. We introduce a simple yet effective method for task-agnostic dialect adaptation by aligning non-SAE dialects using adapters and composing them with task-specific adapters from SAE. Task-Agnostic Dialect Adapters (TADA) improve dialectal robustness on 4 dialectal variants of the GLUE benchmark without task-specific supervision."

Název v anglickém jazyce

TADA: Task-Agnostic Dialect Adapters for English

Popis výsledku anglicky

"Large Language Models, the dominant starting point for Natural Language Processing (NLP) applications, fail at a higher rate for speakers of English dialects other than Standard American English (SAE). Prior work addresses this using task-specific data or synthetic data augmentation, both of which require intervention for each dialect and task pair. This poses a scalability issue that prevents the broad adoption of robust dialectal English NLP. We introduce a simple yet effective method for task-agnostic dialect adaptation by aligning non-SAE dialects using adapters and composing them with task-specific adapters from SAE. Task-Agnostic Dialect Adapters (TADA) improve dialectal robustness on 4 dialectal variants of the GLUE benchmark without task-specific supervision."

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)

Projekt

—

Návaznosti

—

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

"Findings of the Association for Computational Linguistics: ACL 2023"

ISBN

978-1-959429-62-3

ISSN

—

e-ISSN

—

Počet stran výsledku

12

Strana od-do

813-824

Název nakladatele

ACL

Místo vydání

—

Místo konání akce

Singapore

Datum konání akce

1. 1. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—