Enhancing Few-shot Cross-lingual Transfer with Target Language Peculiar Examples

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3AGCFGY9IY" target="_blank" >RIV/00216208:11320/23:GCFGY9IY - isvavai.cz</a>

Výsledek na webu

<a href="https://aclanthology.org/2023.findings-acl.47/" target="_blank" >https://aclanthology.org/2023.findings-acl.47/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.18653/v1/2023.findings-acl.47" target="_blank" >10.18653/v1/2023.findings-acl.47</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Enhancing Few-shot Cross-lingual Transfer with Target Language Peculiar Examples

Popis výsledku v původním jazyce

"Few-shot cross-lingual transfer, fine-tuning Multilingual Masked Language Model (MMLM) with source language labeled data and a small amount of target language labeled data, provides excellent performance in the target language. However, if no labeled data in the target language are available, they need to be created through human annotations. In this study, we devise a metric to select annotation candidates from an unlabeled data pool that efficiently enhance accuracy for few-shot cross-lingual transfer."

Název v anglickém jazyce

Enhancing Few-shot Cross-lingual Transfer with Target Language Peculiar Examples

Popis výsledku anglicky

"Few-shot cross-lingual transfer, fine-tuning Multilingual Masked Language Model (MMLM) with source language labeled data and a small amount of target language labeled data, provides excellent performance in the target language. However, if no labeled data in the target language are available, they need to be created through human annotations. In this study, we devise a metric to select annotation candidates from an unlabeled data pool that efficiently enhance accuracy for few-shot cross-lingual transfer."

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

21

Strana od-do

747-767

Název nakladatele

ACL

Místo vydání

Toronto, Canada

Místo konání akce

Toronto, Canada

Datum konání akce

1. 1. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—