XTREME-UP: Пользовательский эталонный тест для языков с ограниченными данными и недостаточным представлением
XTREME-UP: A User-Centric Scarce-Data Benchmark for Under-Represented Languages
May 19, 2023
Авторы: Sebastian Ruder, Jonathan H. Clark, Alexander Gutkin, Mihir Kale, Min Ma, Massimo Nicosia, Shruti Rijhwani, Parker Riley, Jean-Michel A. Sarr, Xinyi Wang, John Wieting, Nitish Gupta, Anna Katanova, Christo Kirov, Dana L. Dickinson, Brian Roark, Bidisha Samanta, Connie Tao, David I. Adelani, Vera Axelrod, Isaac Caswell, Colin Cherry, Dan Garrette, Reeve Ingle, Melvin Johnson, Dmitry Panteleev, Partha Talukdar
cs.AI
Аннотация
Недостаток данных является ключевой проблемой для разработки высоко многоязычных NLP-систем. Однако для многих недостаточно представленных языков (НПЯ) — языков, для которых исследования в области NLP особенно отстают в удовлетворении потребностей пользователей — возможно аннотировать небольшие объемы данных. Вдохновленные этим, мы предлагаем XTREME-UP — бенчмарк, определяемый: акцентом на сценарий с ограниченными данными, а не на zero-shot; фокусом на пользовательских задачах — задачах, широко используемых носителями языков с большими ресурсами; и вниманием к недостаточно представленным языкам, где этот сценарий с ограниченными данными наиболее реалистичен. XTREME-UP оценивает возможности языковых моделей для 88 недостаточно представленных языков в 9 ключевых пользовательских технологиях, включая ASR, OCR, MT и задачи доступа к информации, которые имеют общую полезность. Мы создаем новые наборы данных для OCR, автодополнения, семантического парсинга и транслитерации, а также дорабатываем существующие наборы данных для других задач. XTREME-UP предоставляет методологию для оценки множества сценариев моделирования, включая текстовые, мультимодальные (визуальные, аудио и текстовые), обучение с настройкой параметров и обучение в контексте. Мы оцениваем широко используемые модели на этом бенчмарке. Мы публикуем весь код и скрипты для обучения и оценки моделей.
English
Data scarcity is a crucial issue for the development of highly multilingual
NLP systems. Yet for many under-represented languages (ULs) -- languages for
which NLP re-search is particularly far behind in meeting user needs -- it is
feasible to annotate small amounts of data. Motivated by this, we propose
XTREME-UP, a benchmark defined by: its focus on the scarce-data scenario rather
than zero-shot; its focus on user-centric tasks -- tasks with broad adoption by
speakers of high-resource languages; and its focus on under-represented
languages where this scarce-data scenario tends to be most realistic. XTREME-UP
evaluates the capabilities of language models across 88 under-represented
languages over 9 key user-centric technologies including ASR, OCR, MT, and
information access tasks that are of general utility. We create new datasets
for OCR, autocomplete, semantic parsing, and transliteration, and build on and
refine existing datasets for other tasks. XTREME-UP provides methodology for
evaluating many modeling scenarios including text-only, multi-modal (vision,
audio, and text),supervised parameter tuning, and in-context learning. We
evaluate commonly used models on the benchmark. We release all code and scripts
to train and evaluate models