Tesiak – Hizkuntza-teknologiak, Ixa Taldearen bloga

Mikel Artetxeri Europako tesien saria Adimen Artifizialean

ixa — Tue, 03 Aug 2021 09:06:30 +0000

Mikel Artetxe Ixakideak orain dela urtebete aurkeztu zuen doktore-tesiari beste sari handi bat eman diote, estatu mailako saria eman zioten maiatzean eta orain abuztuan Europa mailako saria.
Adimen artifizialerako Europako elkarteak tesi onenarentzako saria eman dio atzo (Itzulpen automatiko gainbegiratu gabea / Unsupervised Machine Translation).

Zorionak Mikeli eta zuzendari biei, Eneko Agirre eta Gorka Labaka

Ikerketaren motibazioa, galderak:

Sekuentziatik sekuentziarako eredu neuronalaren etorrerak aurrerapen izugarria ekarri du itzulpen automatikoan. Horrek hobekuntza handia ekarri du itzulpen-sistema estandarretan eta horrela zenbait ingurunetan giza-itzulpenen kalitatearen maila lortu dute lehenengoz. Hala ere, gaur egun dauden sistemek datu asko behar dute (gainbegiratze sakona), corpus paralelo gisa normalean milioika perpaus behar izaten dituzte. Baina harrigarria da, baldintza hori ez du behar gizakiak hizkuntza eskuratzeko. Eta gainera arazo praktiko garrantzitsu bat planteatzen du euskara bezalako baliabide gutxiko hizkuntzekin itzulpenak egiteko.

Tesiaren helburua datu paraleloen mendekotasun hori guztiz ezabatzea da, corpus elebakarra baino beharko ez duten “gainbegiratu gabeko itzulpen automatiko”ko sistemak eratzeko. Horretarako, lehenengo urrats batean bi hizkuntzatarako sortutako hitz-bektoreak (word embedding-ak) lerrokatzen ditu, beren arteko egitura-antzekotasunean oinarrituta. Gero, bigarren urrats batean, lerrokatze horren emaitzak erabiltzen ditu itzulpen-sistema neuronal bat edo itzulpen-sistema estatistiko bat hasieratzeko, azken urratsean back-translationaren bidez hobetzen joango dena.

https://github.com/artetxem

Tesiaren egindako bide progresiboa eta ekarpenak oso ondo jarraitu daiteke Mikel Artetxek 2016tik argitaratu zituen 9 artikulu hauen zehar:

Mikel Artetxe, Sebastian Ruder, Dani Yogatama, Gorka Labaka, Eneko Agirre (2020)
A Call for More Rigor in Unsupervised Cross-lingual Learning
Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2019)
Bilingual Lexicon Induction through Unsupervised Machine Translation

Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 5002-5007.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2019)
An Effective Approach to Unsupervised Machine Translation
Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 194-203.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2018)
Unsupervised Statistical Machine Translation
In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 3632–3642, Brussels, Belgium, October-November. Association for Computational Linguistics.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2018)
A robust self-learning method for fully unsupervised cross-lingual mappings of word embeddings
Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics
Mikel Artetxe, Gorka Labaka, Eneko Agirre, Kyunghyun Cho (2018)
Unsupervised Neural Machine Translation
Sixth International Conference on Learning Representations (ICLR 2018)
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2018)
Generalizing and Improving Bilingual Word Embedding Mappings with a Multi-Step Framework of Linear Transformations

Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence (AAAI-18) pages 5012-5019.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2017)
Learning bilingual word embeddings with (almost) no bilingual data
Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2016)
Learning principled bilingual mappings of word embeddings while preserving monolingual invariance
Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing, pages 2289–2294. Austin, Texas. ISBN: 978-1-945626-25-8.

IKERGAZTEko sari berezia Joseba Fernandez de Landa-ri

ixa — Fri, 11 Jun 2021 13:35:09 +0000

Joseba Fernandez de Landak gaur Gasteizen bukatu den IkerGazte kongresuko sari berezia jaso du. Udalbiltzak eskaintzen du sari hori, Euskal Herriko garapenerako bereziki garrantzitsua den gaia lantzeagatik. Ingeniaritza eta Arkitektura alorrean egin du artikulu hori Josebak beste hiru Ixakiderekin: Iker García, Ander Salaberria, eta Jon Ander Campos,.

Joseba soziologoa da gizartearen kezkak nondik nora mugitzen diren aztertu nahi du. Bere tesian Twitterreko txioetan erabiltzen diren hitzak aztertzen ditu. urtez urte nola aldatzen diren miatzen du hizkuntza teknologia erabiliz. Ikergazte artikulu irabazle honetan Hizkuntzaren Prozesamenduak eskaintzen dituen teknika ez-gainbegiratuak erabili ditu euskarazko txioetan COVID-19aren pandemiak izan duen eragina aztertzeko.

Irakurri artikulu osoa, Kongresuko artikulu bilduman irakur dezakezu 137. orrialdean. Motibazio moduan hemen dituzu bertako irudi batzuk

Zeintzuk dira pandemia garaian erabileran hazkuntza nabarmena izan duten hitzek? Eta jaitsiera handiena jaso dituztenak? Logika dauka, ez da?
Zeintzuk dira txioetan Covid hitzaren inguruan gehien erabili diren hitzak?

ZORIONAK Josebari eta bere zuzendaria den Rodrigo Agerriri!
Baita Iker, Jon Ander eta Ander laguntzaileei

Arantza Diaz de Ilarrazaren hitzaldia eta 5 artikulu IkerGazte kongresuan!

ixa — Wed, 09 Jun 2021 19:36:04 +0000

Gasteizen ikerlari gazteak biltzen dituen IkerGazte biltzarrean 5 artikulu aurkeztu dituzte Ixa-kideek. Parte hartze handia da hori.

Gainera Arantza Diaz de Ilarrazarena izan da hitzaldi gonbidatuetako bat: “Hizkuntza teknologiaren bilakaera: IXA taldearen esperientzia. Erabili zientzia gure gizartearen alde.“
Ixa tadearen 33 urteko jarduera azaldu du Arantzak.

Ikusi artikulu guztiak informatikako komunikazioen LIBURUAN

(68) Erlazio-erauzketa testu klinikoetan hizkuntzaren prozesamenduaren bidez.
Sergio Santana, Alicia Pérez, Arantza Casillas eta Maite Oronoz
(84) Ezeztapena identifikatzeko Murriztapen Gramatikako erregelak sentimenduen analisiaren testuinguruan.
Jon Alkorta, Koldo Gojenola, X Arregi
(112) Unibertsitateko ikasleen laburpen-gaitasunaren azterketa eta testuaren egitura hierarkikoan oinarrituriko atzera elikadura automatikoa.
Unai Atutxa.
(128) Twitterreko Euskal Komunitatearen Eduki Azterketa Pandemia Garaian.
Joseba Fernandez de Landa, Iker Garcia, Ander Salaberria and Jon Ander Campos
(139) Itzulpen Automatikoko Sistemen Analisia: Genero Alborapenaren Kasua.
Ander Salaberria, Jon Ander Campos, Iker Garcia and Joseba Fernandez de Landa

Informatika Fakultatetik beste bi artikulu ere aurkeztuko dira:

(42) Diseinuaren ezagutzaren biltzea software artefaktuetan; Produktu Lerroen Ingeniaritzan oinarritutako proposamena
Xabier Garmendia, Oscar Díaz, Maider Azanza
(155)
Mikel Iceta Tena, Iñaki Morlán Santacatalina and Jose Antonio Pascual Saiz

Tesia: Hizkuntzen arteko distantziak neurtzeko corpus-metrikak (José Ramom Pichel, 2020-10-29)

ixa — Tue, 27 Oct 2020 18:18:10 +0000

Tesiaren titulua: Medidas de distância entre línguas baseadas em corpus. Aplicação à linguística histórica do galego, português, espanhol e inglês
Hizkuntzen arteko distantziak neurtzeko corpus-metrikak. Galegoa, portugesa, espainiera eta ingelesaren linguistika historikorako aplikazioa.

Jose Ramom Pichel

Non: Telekonferentzia:
……….https://eu.bbcollab.com/guest/5b757d040d024f7b91deaaaffe3bec03
……….Informatika Fakultateko Ada Lovelace Aretoan
Eguna: Urriaren 29, osteguna
Ordua: 18:30etan
Egilea: José Ramom Pichel
Zuzendariak: Iñaki Alegria eta Pablo Gamallo
Hizkuntza: nagusiki portugesa (ingelesa, euskara, espainiera, edota galegoa noizbait)

Ikerketaren motibazioa, galderak:

As dúvidas sobre a classificação filogenética histórica e actual do galego e as hesitações na identificação au-
tomática da língua e na construção e concepção de tradutores automáticos, sugerem que o cálculo automático da distância entre o galego, o português e o espanhol, a partir de textos escritos reais, e um desafio interessante.

1. Pode a distância entre línguas ser medida automaticamente com base em corpus?
2. Que papel desempenha a ortografia na distância entre as línguas?
3. É possível traduzir esta distância numa única métrica robusta?
4. A distância calculada com essa métrica verifica as hipóteses dos linguistas?
Adiciona novos dados sobre hipóteses minoritárias ou controversas?
5. Será que a distância entre períodos históricos da mesma língua muda? Como?
6. A distância entre línguas muda historicamente ou é sempre a mesma?
E se mudar, esta distância entre línguas é linear?
7. Será que a distância histórica entre variantes reconhecidas da mesma língua muda?

Oraindik zalantzak daude galizieraren sailkapen filogenetikoari buruz, historian zeharreko galizieraz eta gaur egungoaz ere bai. Hizkuntza ezagutzeko sistema automatikoen eta itzultzaile automatikoak eraikitzerakoen diseinuek iradokitzen dute galizieraren, portugesaren eta gaztelaniaren arteko distantziaren kalkulu automatikoa erronka interesgarria dela, benetako testu idatzietan oinarrituta egiten bada batez ere. Galderak:

Hizkuntzen arteko distantzia automatikoki neur daiteke corpusean oinarrituta?
Zer rol betetzen du ortografiak hizkuntzen arteko distantzian?
Posible al da distantzia hori metrika sendo bakar batekin neurtzea?
Metrika horrekin kalkulatutako distantziak egiaztatzen al ditu hizkuntzalarien hipotesiak?
Hipotesi minoritarioei edo eztabaidagarriei buruzko datu berriak gehitzen al ditu?
Balio du metrika horrek hizkuntza bera garai historiko desberdinetako aldaketa neurtzeko? Nola?
Historikoki aldatzen da hizkuntzen arteko distantzia edo beti berdina al da?
Eta aldatuz gero, lineala al da hizkuntzen arteko distantzia-aldaketa hori?
Aldatzen al da hizkuntza bereko aldaera aitortuen arteko distantzia historikoki?

Tesiaren egindako bide progresiboa eta ekarpenak oso ondo jarraitu daiteke artikulu hauetan:

Jose R. Pichel, Pablo Gamallo, Iñaki Alegria, Marco Neves (2020) A Methodology to Measure the Diachronic Language Distance between Three Languages Based on PerplexityJournal of Quantitative Linguistics.
José Ramom Pichel, Pablo Gamallo, Marco Neves & Iñaki Alegria (2020) Distância diacrónica automática entre variantes diatópicas do português e do espanhol Linguamática, Vol. 12 N. 1, 117–126 ISSN: 1647–0818
José Ramom Pichel, Pablo Gamallo, Iñaki Alegria (2019) Measuring diachronic language distance using perplexity. Application to English, Portuguese and Spanish. Natural Language Engeenering.
Pablo Gamallo José Ramom Pichel and Iñaki Alegria (2020) Measuring Language Distance of Isolated European Languages MDPI Information 2020, 11(4), 181 doi:10.3390/info11040181
José Ramom Pichel, Pablo Gamallo, Iñaki Alegria (2019) Cross-lingual Diachronic Distance: Application to Portuguese and Spanish Procesamiento del Lenguaje Natural, Revista no 63, septiembre de 2019, pp. 77-84
P. Gamallo, J.R. Pichel, I. Alegria. 2017. From language identification to language distance. Physica A: Statistical Mechanics and Its Applications 484, 152-162.

HAP/LAP masterreko tesiak (2020-09-21 eta 22an)

ixa — Wed, 16 Sep 2020 09:03:35 +0000

Hizkuntzaren Azterketa eta Prozesamendua HAP-LAP masterrean zazpi master-tesi aurkeztuko dira astelehen eta asteartean, irailak 21 eta 22.

Horietako bat euskaraz aurkeztuko da asteartean, hilak 22, 15:00etan. Mari Susperregiren lanaren izenburua hau da: “Muturretik muturrerako informazio erauzketa eleaniztuna eta hizkuntzen arteko terminoen lerrokatze neuronala”.
Hau da lanak aurkezteko egutegia:

Eguna / ordua	Ikaslea	Zuzendaria(k)	Izenburua
Irailak 21 15:00	Garcia Montero, Eneritz	Arantza del Pozo-Echezarreta Itziar Gonzalez-Dios	Coping with Data Scarcity: First Steps towards Word Expansion for a Chatbot in the Urban transportation Domain
Irailak 21 15:45	Lima Lopez, Salvador	Montse Cuadros Olatz Pérez de Viñaspre	Towards Orthographic and Grammatical Clinical Text Correction: a First Approach
Irailak 21 16:30	Toporkov, Olia	Rodrigo Agerri	Studying the Role of Morphological Information for Contextual Lemmatization in Highly Inflected Languages

Irailak 22 15:00	Susperregi Indakoetxea, Mari	Olatz Pérez de Viñaspre Ander Barrena	Muturretik muturrerako informazio erauzketa eleaniztuna eta hizkuntzen arteko terminoen lerrokatze neuronala
Irailak. 22 15:45	Ortuondo Reyero, Aitor	German Rigau	Domain Disambiguation using Contextual Word Embeddings
Irailak 22 16:30	Xu, Xiao	Martijn Wieling German Rigau	Multilingual Classification for Legal Prediction
Irailak 22 17:15	Martinez Alvarez, Cristina	Aitor Soroa Rodrigo Agerri	BarceloQA: Building a Dataset for the Tourism Domain

Tesia: Itzulpen automatiko gainbegiratu gabea (Mikel Artetxe, 2020-07-29)

ixa — Tue, 28 Jul 2020 12:18:59 +0000

Tesiaren titulua: Itzulpen automatiko gainbegiratu gabea
/ Unsupervised Machine Translation

Non: Telekonferentzia: https://eu.bbcollab.com/guest/b22b606d9ae74bc5b3e067821c897617
Informatika Fakultateko Ada Lovelace Aretoan
Eguna: Uztailaren 29, asteazkena
Ordua: 11:00etan
Egilea: Mikel Artetxe Zurutuza
Zuzendariak: Eneko Agirre eta Gorka Labaka
Hizkuntza: Ingelesa / Euskara

Ikerketaren motibazioa, galderak:

https://github.com/artetxem

Tesiaren egindako bide progresiboa eta ekarpenak oso ondo jarraitu daiteke Mikel Artetxek 2016tik argitaratu dituen 9 artikulu hauen zehar:

Mikel Artetxe, Sebastian Ruder, Dani Yogatama, Gorka Labaka, Eneko Agirre (2020)
A Call for More Rigor in Unsupervised Cross-lingual Learning
Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2019)
Bilingual Lexicon Induction through Unsupervised Machine Translation

Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 5002-5007.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2019)
An Effective Approach to Unsupervised Machine Translation
Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 194-203.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2018)
Unsupervised Statistical Machine Translation
In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 3632–3642, Brussels, Belgium, October-November. Association for Computational Linguistics.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2018)
A robust self-learning method for fully unsupervised cross-lingual mappings of word embeddings
Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics
Mikel Artetxe, Gorka Labaka, Eneko Agirre, Kyunghyun Cho (2018)
Unsupervised Neural Machine Translation
Sixth International Conference on Learning Representations (ICLR 2018)
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2018)
Generalizing and Improving Bilingual Word Embedding Mappings with a Multi-Step Framework of Linear Transformations

Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence (AAAI-18) pages 5012-5019.
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2017)
Learning bilingual word embeddings with (almost) no bilingual data
Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics
Mikel Artetxe, Gorka Labaka, Eneko Agirre (2016)
Learning principled bilingual mappings of word embeddings while preserving monolingual invariance
Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing, pages 2289–2294. Austin, Texas. ISBN: 978-1-945626-25-8.

Itziar Gonzalez-Dios hizkuntzalari konputazionala (Zientzia Kaiera)

ixa — Thu, 23 Apr 2020 07:34:06 +0000

Unibertsitateko Ikerlarien lanak dibulgatzen dituen Zientzia Kaiera guneak Itziar Gonzalez-Dios ixakidean jarri zuen arreta pasa den martxoan.

“Hibridoa naiz (eta harro nago)” dio Itziarrek bere buruaz. KonItziar Gonzalez-Diostrako jo ohi diren bi mundu batzen ditu bere jardunean: hizkuntzalaritza (Letrak) eta informatika (Zientziak). Aleman Filologian 2011n lizentziatu ondoren, Hizkuntza Prozesamenduan Masterra masterra egin zuen 2012an. Hibrido bat dela aitortzen du artikuluan, umoretsu: “Hala deitzen diogu gure buruari Ixa taldeko kideok”.

Eneko Bidegain eta Itziar (CC-BY-SA, UEU))

2016an aurkeztu zuen bere tesia: euskarazko testu konplexuak automatikoki sinplifikatzeko proposamen bat. Hitz arraroak edo egitura sintaktiko luze eta zailak automatikoki ulergarriago bihurtzea da bere ikerketaren helburua. 2014an #Txiotesia2 lehiaketa irabazi zuen bere tesi-lana 6 txiotan kontatuta.

Egun, Bilboko Ingeniaritza eskolako Euskal Hizkuntza eta Komunikazioa sailean ari da. Geroztik, irakaskuntzan eta ikerketan dabil.

Elhuyarreko Ana Galarraga izan da Kaierako artikuluaren egilea.

Euskarazko tesien saria Olatz Perez de Viñaspre ixakiderentzat

ixa — Wed, 15 May 2019 22:15:51 +0000

2018ko Euskarazko Tesien VI. Koldo Mitxelena sariak banatu dira lehengo astean.
Olatz Perez de Viñaspre ixakidea izan da Ingeniaritza eta Arkitektura ataleko saritua.

ZORIONAK Olatz!

Medikuarenera joan eta harekin euskaraz aritu arren, txostena gazteleraz jasotzen dugu, baietz! Osasungintzako terminologia landu gabe zegoen, baina tesi honetan terminoak automatikoki euskaratzeko urrats erraldoi bat egin da.

Argazkia: Tere Ormazabal. UPV/EHU.

Tesiaren izenburua hau izan zen: Euskarazko osasun-terminoen sorkuntza automatikoa

Ikerketaren gai nagusia Osasun Zientzietako Terminologiaren Itzulpen Automatikoa zen. Ingelesezko 300.000 termino kliniko dituen SNOMED CT datu-basetik abiatu da ikerketa, euskarara itzultzeko. Hizkuntza-teknologia erabili zuen horretan, ohiko terminoak jasotzeko (Euskalterm, ZT hiztegia…), Ingelesezko termino neoklasikoak atzizkika eta transliterazio-erregelak erabiliz itzultzeko (NeoTerm: “Photodermatitis”–> Fotodermatitis), hitz anitzeko termino konplexuak sinpleagoen bitartez itzultzeko (adibidez: “Fracture of elbow” –> “Ukondoaren haustura”), eta Matxin-Med itzultzaile automatikoa egokitzeko (Matxin itzultzailea medikuntzaren domeinura egokituta).

Tesia: Sentimendu-analisi eleaniztuna komunikabide sozialetan (Iñaki San Vicente, 2019-03-11)

ixa — Mon, 11 Mar 2019 09:31:13 +0000

Tesiaren titulua: Sentimendu-analisi eleaniztuna komunikabide sozialetan
/ Multilingual Sentiment Analysis in Social Media

Non: Informatika Fakultateko Ada Lovelace Aretoan
Eguna: Martxoaren 11, astelehena
Ordua: 11:00etan
Egilea: Iñaki San Vicente Roncal
Zuzendariak: Germa Rigau eta Rodrigo Agerri
Hizkuntza: Ingelesa / Euskara

http://talaia.elhuyar.eus/

Ikerketaren motibazioa, galderak:

Helburu nagusia euskarazko testuetan sentimendu-analisia egiteko sistema bat sortzea izan da, beti ere gaztelania, frantsesa, eta ingelesa ere lantzeko testuinguru eleaniztunean. Euskara bezalako hizkuntza baterako ere ikasketa automatikoan erabili ahal izango diren baliabide handiak sortzeko tresnak eta metodologiak landu dira. Lau hizkuntza horietarako tresna hauek garatu dira: polaritate-lexikoiak, testuaren hizkuntza-identifikatzailea, txioetako testuak normalizatzeko tresna, ea testu bateko polaritatea positiboa edo negatiboa den aztertzeko oinarrizko klasifikatzailea (EliXa).
Talaia aplikazio orokorra ere sortu da.

HAP masterreko bi tesiren defentsa (2019-02-25, 16:00)

ixa — Mon, 25 Feb 2019 08:33:59 +0000

Gogoratu gaur, otsailak 25, bi master tesiren defentsak izango direla.
Eguna: otsailaren 25a / February 25th
Lekua: Ada Lovelace aretoa

16:00
Izenburua / Title: Clinical report multi-label classification using the international classification of diseases (ICD-10)
Txosten klinikoen multi-etiketazko sailkapena gaixotasunen nazioarteko sailkapena erabiliz (ICD-10)
Egilea / Author: Jorge Pérez
Tutoreak / Supervisors: Alicia Pérez eta Arantza Casillas

16:45
Izenburua / Title: Forum erako webguneetarako galdera-erantzun sistema bat eraikitzen (defentsa euskaraz)
Building a dialogue system for question-answer forum websites (defence in Basque)
Egilea / Author: Jon Ander Campos
Tutoreak / Supervisors: Eneko Agirre & Arantxa Otegi