Jargon : Une suite de modèles de langues et de référentiels d'évaluation pour les domaines spécialisés du français - APTIKAL Accéder directement au contenu
Poster De Conférence Année : 2024

Jargon: A Suite of Language Models and Evaluation Tasks for French Specialized Domains

Jargon : Une suite de modèles de langues et de référentiels d'évaluation pour les domaines spécialisés du français

Iris Eshkol-Taravela

Résumé

Pretrained Masked Language Models (PLMs) are the de facto backbone of most state-of-the-art NLP systems. In this paper, we introduce a family of domain-specific pretrained PLMs for French, focusing on three important applications : the domains of transcribed speech, medicine, and law. We use a transformer architecture based on efficient methods (LinFormer) to maximise their utility, since these domains often involve processing long documents. We evaluate and compare our models to state-of-the-art models on a diverse set of tasks and datasets, some of which are introduced in this paper. We gather the datasets into a new French-language evaluation benchmark for these three domains. We also compare various training configurations : continued pretraining, pretraining from scratch, as well as single- and multi-domain pretraining. Extensive domain-specific experiments show that it is possible to attain competitive downstream performance even when pre-training with the approximative LinFormer attention mechanism. For full reproducibility, we release the models and pretraining data, as well as contributed datasets.
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.
Fichier principal
Vignette du fichier
8197.pdf (45.82 Ko) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04622997 , version 1 (28-06-2024)

Licence

Identifiants

  • HAL Id : hal-04622997 , version 1

Citer

Vincent Segonne, Aidan Mannion, Laura Alonzo-Canul, Alexandre Audibert, Xingyu Liu, et al.. Jargon : Une suite de modèles de langues et de référentiels d'évaluation pour les domaines spécialisés du français. Corine Astésano; Christine Sénac; Isabelle Ferrané; Jérôme Farinas; Anna Marczyk; Mathieu Balaguer; Julie Mauclair; Thomas Pellegrini; Julien Pinquier. JEP 2024 - 35es Journées d'Études sur la Parole, Jul 2024, Toulouse, France. ATALA & AFPC, volume 2 : traductions d'articles publiés, pp.9-10, 2024. ⟨hal-04622997⟩

Relations

76 Consultations
1 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More