Проблема выбора донора в low-resource ASR
Автоматическое распознавание речи (ASR) для языков с малым объемом данных (low-resource) часто опирается на кросс-лингвальный перенос знаний. Традиционно модели обучаются на богатых ресурсами языках-донорах, а затем адаптируются. Однако выбор правильного языка-донора остается сложной задачей из-за лингвистических вариаций, эволюции орфографических норм и неравномерного распределения данных. Простые эвристики, основанные на генетическом сходстве или просто наличии больших корпусов, часто дают сбой.
Решение: DonorRank как Learning-to-Rank
Команда исследователей во главе с Акрити Дхасманой (Akriti Dhasmana) и Аарохи Шриваставой (Aarohi Srivastava) представила DonorRank — фреймворк на основе методов learning-to-rank. Система предсказывает эффективность языков-доноров для задач zero-shot ASR. Вместо того чтобы полагаться на интуицию или базовые лингвистические метрики, DonorRank обучается на исторических данных переноса, выявляя скрытые паттерны успешной адаптации.
Результаты и бенчмарки
Метод был протестирован на двух мультиязычных корпусах, охватывающих индоарийские и афразийские языковые семьи. DonorRank демонстрирует точность в ранжировании языков-доноров, превосходя стандартные эвристики. Ключевое открытие исследователей заключается в том, что состав набора доноров определяет, какие именно лингвистические признаки становятся полезными для предсказания успеха переноса.
| Метрика / Аспект | Описание / Результат |
|---|---|
| Архитектура | Learning-to-Rank framework |
| Целевая задача | Zero-shot ASR для low-resource языков |
| Тестовые данные | Корпуса индоарийских и афразийских языков |
| Преимущество | Превосходство над эвристиками генетического сходства |
| Ключевой инсайт | Состав донорского набора меняет значимость лингвистических признаков |
Практическая значимость
DonorRank — это не просто инструмент оптимизации, но и аналитическая платформа. Исследование выявляет конкретные паттерны переноса, которые дают практические рекомендации для разработчиков мультиязычных ASR-систем. Это позволяет эффективнее распределять вычислительные ресурсы, выбирая именно те языки-доноры, которые обеспечат максимальный прирост качества для целевого low-resource языка.
Источник: arXiv cs.CL ↗