Buchumschlag

No One-Size-Fits-All: Building Systems For Translation to Bashkir, Kazakh, Kyrgyz, Tatar and Chuvash Using Synthetic And Original Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Karpov, Dmitry
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

No One Size Fits All: QueryBandits for Hallucination Mitigation
von: Cho, Nicole, et al.
Veröffentlicht: (2026)

One Size Does Not Fit All: Token-Wise Adaptive Compression for KV Cache
von: Lu, Liming, et al.
Veröffentlicht: (2026)

One Size Does Not Fit All: A Distribution-Aware Sparsification for More Precise Model Merging
von: Luo, Yingfeng, et al.
Veröffentlicht: (2025)

One Jump Is All You Need: Short-Cutting Transformers for Early Exit Prediction with One Jump to Fit All Exit Levels
von: Seshadri, Amrit Diggavi
Veröffentlicht: (2025)

Building a Foundational Guardrail for General Agentic Systems via Synthetic Data
von: Huang, Yue, et al.
Veröffentlicht: (2025)

Not All Synthetic Data Is Yours to Learn From
von: Alemohammad, Sina, et al.
Veröffentlicht: (2026)

Synthetic Data RL: Task Definition Is All You Need
von: Guo, Yiduo, et al.
Veröffentlicht: (2025)

Improving Direct Persian-English Speech-to-Speech Translation with Discrete Units and Synthetic Parallel Data
von: Rashidi, Sina, et al.
Veröffentlicht: (2025)

SynthDST: Synthetic Data is All You Need for Few-Shot Dialog State Tracking
von: Kulkarni, Atharva, et al.
Veröffentlicht: (2024)

The Best Instruction-Tuning Data are Those That Fit
von: Zhang, Dylan, et al.
Veröffentlicht: (2025)

One Model for All: Multi-Objective Controllable Language Models
von: He, Qiang, et al.
Veröffentlicht: (2026)

No One-Size-Fits-All Neurons: Task-based Neurons for Artificial Neural Networks
von: Fan, Feng-Lei, et al.
Veröffentlicht: (2024)

Building Large-Scale English-Romanian Literary Translation Resources with Open Models
von: Nadas, Mihai, et al.
Veröffentlicht: (2025)

Hala Technical Report: Building Arabic-Centric Instruction & Translation Models at Scale
von: Hammoud, Hasan Abed Al Kader, et al.
Veröffentlicht: (2025)

Beyond One-Size-Fits-All: Tailored Benchmarks for Efficient Evaluation
von: Yuan, Peiwen, et al.
Veröffentlicht: (2025)

Socially Aware Synthetic Data Generation for Suicidal Ideation Detection Using Large Language Models
von: Ghanadian, Hamideh, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Chain of Thought Compression with One-Domain-to-All Generalization
von: Li, Hanyu, et al.
Veröffentlicht: (2025)

Train Once, Answer All: Many Pretraining Experiments for the Cost of One
von: Bordt, Sebastian, et al.
Veröffentlicht: (2025)

Synthetic Data for any Differentiable Target
von: Thrush, Tristan, et al.
Veröffentlicht: (2026)

Beyond One-Size-Fits-All Summarization: Customizing Summaries for Diverse Users
von: Duran, Mehmet Samet, et al.
Veröffentlicht: (2025)

AutoEval Done Right: Using Synthetic Data for Model Evaluation
von: Boyeau, Pierre, et al.
Veröffentlicht: (2024)

Translate Smart, not Hard: Cascaded Translation Systems with Quality-Aware Deferral
von: Farinhas, António, et al.
Veröffentlicht: (2025)

All You Need is One: Capsule Prompt Tuning with a Single Vector
von: Liu, Yiyang, et al.
Veröffentlicht: (2025)

Reasoning-Driven Synthetic Data Generation and Evaluation
von: Davidson, Tim R., et al.
Veröffentlicht: (2026)

Beyond One-Size-Fits-All: Adapting Counterfactual Explanations to User Objectives
von: Mastromichalakis, Orfeas Menis, et al.
Veröffentlicht: (2024)

Predicting Anchored Text from Translation Memories for Machine Translation Using Deep Learning Methods
von: Yue, Richard, et al.
Veröffentlicht: (2024)

Course-Correction: Safety Alignment Using Synthetic Preferences
von: Xu, Rongwu, et al.
Veröffentlicht: (2024)

Mechanistic Data Attribution: Tracing the Training Origins of Interpretable LLM Units
von: Chen, Jianhui, et al.
Veröffentlicht: (2026)

Dynamic Context Evolution for Scalable Synthetic Data Generation
von: Lingo, Ryan, et al.
Veröffentlicht: (2026)

CasualSynth: Generating Structurally Sound Synthetic Data
von: Cheng, Zehua, et al.
Veröffentlicht: (2026)

Fill In The Gaps: Model Calibration and Generalization with Synthetic Data
von: Ba, Yang, et al.
Veröffentlicht: (2024)

Out-of-Distribution Detection using Synthetic Data Generation
von: Abbas, Momin, et al.
Veröffentlicht: (2025)

One Stone, Four Birds: A Comprehensive Solution for QA System Using Supervised Contrastive Learning
von: Wang, Bo, et al.
Veröffentlicht: (2024)

Feeding Two Birds or Favoring One? Adequacy-Fluency Tradeoffs in Evaluation and Meta-Evaluation of Machine Translation
von: Shayegh, Behzad, et al.
Veröffentlicht: (2025)

Learning from Synthetic Data Improves Multi-hop Reasoning
von: Kabra, Anmol, et al.
Veröffentlicht: (2026)

CodecLM: Aligning Language Models with Tailored Synthetic Data
von: Wang, Zifeng, et al.
Veröffentlicht: (2024)

CALICO: Conversational Agent Localization via Synthetic Data Generation
von: Rosenbaum, Andy, et al.
Veröffentlicht: (2024)

Does Training on Synthetic Data Make Models Less Robust?
von: Zhang, Lingze, et al.
Veröffentlicht: (2025)

Critical Data Size of Language Models from a Grokking Perspective
von: Zhu, Xuekai, et al.
Veröffentlicht: (2024)

Many-to-English Machine Translation Tools, Data, and Pretrained Models
von: Gowda, Thamme, et al.
Veröffentlicht: (2021)