Jargon : Une suite de modèles de langues et de référentiels d’évaluation pour les domaines spécialisés du français
(2024) JEP-TALN-RECITAL 2024 — Location: Toulouse, France (8.July.2024)
Files
TALN2024.pdf
Open Access - Adobe PDF
- 91.66 KB
Details
- Authors
- Abstract
- Les modèles de langue préentraînés (PLM) constituent aujourd’hui de facto l’épine dorsale de la plupart des systèmes de traitement automatique des langues. Dans cet article, nous présentons Jargon, une famille de PLMs pour des domaines spécialisés du français, en nous focalisant sur trois domaines : la parole transcrite, le domaine clinique / biomédical, et le domaine juridique. Nous utilisons une architecture de transformeur basée sur des méthodes computationnellement efficaces(LinFormer) puisque ces domaines impliquent souvent le traitement de longs documents. Nous évaluons et comparons nos modèles à des modèles de l’état de l’art sur un ensemble varié de tâches et de corpus d’évaluation, dont certains sont introduits dans notre article. Nous rassemblons les jeux de données dans un nouveau référentiel d’évaluation en langue française pour ces trois domaines. Nous comparons également diverses configurations d’entraînement : préentraînement prolongé en apprentissage autosupervisé sur les données spécialisées, préentraînement à partir de zéro, ainsi que préentraînement mono et multi-domaines. Nos expérimentations approfondies dans des domaines spécialisés montrent qu’il est possible d’atteindre des performances compétitives en aval, même lors d’un préentraînement avec le mécanisme d’attention approximatif de LinFormer. Pour une reproductibilité totale, nous publions les modèles et les données de préentraînement, ainsi que les corpus utilisés.
- Affiliations
Université de Genève FTI - Département de traitement informatique multilingue
Citations
Segonne, V., Mannion, A., Alonzo Canul, L. C., Audibert, A., Liu, X., Macaire, C., Pupier, A., Zhou, Y., Aguiar, M., Herron, F., Norré, M., Amini, M.-R., Bouillon, P., Eshkol-Taravella, I., Esperança-Rodier, E., François, T., Goeuriot, L., Goulian, J., Lafourcade, M., et al. (2024). Jargon : Une suite de modèles de langues et de référentiels d’évaluation pour les domaines spécialisés du français. In Mathieu Balaguer, Nihed Bendahman, Lydia-Mai Ho-dac, Julie Mauclair, Jose G. Moreno, Julien Pinquier (ed.), Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 2 : traductions d’articles publiès (p. p. 9-10). ATALA and AFPC.