Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Are LLMs Good Text Diacritizers? An Arabic and Yor\`ub\'a Case Study

Created by
  • Haebom

저자

Hawau Olamide Toyin, Samar M. Magdy, Hanan Aldarmaki

개요

본 논문은 대규모 언어 모델(LLM)을 아랍어와 요루바어와 같이 서로 다른 두 언어의 텍스트에 대한 음절 부호화(diacritization)에 적용하는 효과를 조사합니다. 엄격한 평가를 위해 다양한 음절 부호화 모호성을 포착하는 다양한 샘플을 포함하는 새로운 다국어 데이터셋 MultiDiac을 제시합니다. 크기, 접근성, 언어 적용 범위가 다양한 14개의 LLM을 평가하고 6개의 특수 음절 부호화 모델과 비교합니다. 또한 요루바어에 대해 LoRA를 사용하여 4개의 소규모 오픈소스 모델을 미세 조정합니다. 연구 결과, 많은 기성품 LLM이 아랍어와 요루바어 모두에서 특수 음절 부호화 모델보다 성능이 우수하지만, 더 작은 모델은 환각(hallucination) 문제를 겪는다는 것을 보여줍니다. 소규모 데이터셋에 대한 미세 조정은 음절 부호화 성능을 향상시키고 환각률을 줄이는 데 도움이 될 수 있습니다.

시사점, 한계점

시사점:
기성품 LLM이 특수 음절 부호화 모델보다 아랍어와 요루바어 모두에서 더 나은 성능을 보임.
소규모 데이터셋을 이용한 미세 조정을 통해 음절 부호화 성능 향상 및 환각률 감소 가능성 제시.
MultiDiac 데이터셋은 다양한 음절 부호화 모호성을 포함하는 새로운 다국어 평가 데이터셋으로 활용 가능.
한계점:
소규모 LLM은 환각(hallucination) 문제 발생.
다양한 언어에 대한 일반화 가능성에 대한 추가 연구 필요.
특정 언어 또는 데이터셋에 대한 과적합 가능성 존재.
👍