PyTorchKR Papers

최신 논문

총 11편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15870v1cs.CL

검증되지 않았는가, 아니면 억울하게 의심받는가? 카자흐어에서의 AI 생성 텍스트 탐지기 평가

Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh

AI 텍스트 탐지기는 이미 카자흐어 글쓰기에 적용되고 있지만, 공개적으로 이용 가능한 탐지기가 ChatGPT 이전에 작성된 것으로 확인된 카자흐어 텍스트를 얼마나 자주 (AI 생성으로) 플래그하는지 보고한 연구는 없다. 우리는 AINA-KK를 제시한다: ChatGPT 이전에 존재했음이 입증된 백과사전, 뉴스, 웹, 교육용 페이지에서 수집한 3,811개의 인간 작성 지문(passage)과, 카자흐어로 구축된 KazLLM과 Sherkala를 포함한 9개의 생성기에서 나온 5,597개의 기계 생성 및 그레이존(gray-zone) 지문으로 구성되며, 문자 체계(script) 및 길이에 대한 스트레스 테스트를 포함한다. Hugging Face Hub에서 가져온 영어로 학습된 5개의 탐지기는 인간 지문의 최대 81.4%와 공개된 학생 에세이의 79.6%를 (AI 생성으로) 플래그했다; 재보정(recalibration) 후에는 기계 생성 텍스트를 최대 1.3%만 탐지했다. 보정된 제로샷(zero-shot) 탐지기는 분포 내(in-distribution) 생성기의 기계 생성 텍스트를 최대 50.3%만 탐지했다. 파인튜닝된 인코더는 텍스트를 거의 완벽하게 순위화하지만, 기본 임계값에서 mDeBERTa는 50단어 분량의 인간 발췌문 중 24.4%를 플래그했는데, 이는 부분적으로 기계 생성 출력이 인간 텍스트보다 짧기 때문이다; 보정 후에는 KazLLM 지문의 47.1%와 Sherkala 지문의 62.7%만 탐지했다. 문자 체계 처리를 하지 않으면, 기계가 음차 표기(transliteration)한 Latin-2021 텍스트가 모든 탐지기를 무력화시켰다. 새로운 데이터가 필요 없는 수정 사항들(보정, 문자 체계 정규화(canonicalization), 문자 체계가 증강되고 길이가 일치된 학습, 그리고 제로샷 스코어러와의 OR 결합)을 결합하여 AINA-KK-Det을 구성한다. 테스트에서 이는 인간 지문의 0.9%를 플래그하며(95% 신뢰구간 0.4-2.7; 개발 데이터에서는 1.5%), 알려진 생성기의 기계 생성 텍스트 중 85.2%, 보지 못한(unseen) 두 개의 Gemini 계열 Gemma-4 모델에서 나온 텍스트 중 92.9%, 카자흐어로 구축된 생성기에서 나온 텍스트 중 61.3%를 탐지한다; 해당 구성은 테스트 결과를 고려하여 선택되었다. 우리는 데이터, 코드, 탐지기를 https://github.com/ozxmn/aina-kk 에서 공개한다.

arXiv:2607.11515v1cs.CL

종카어 다음 단어 예측 시스템

Dzongkha Next Word Prediction System

종카어(Dzongkha)는 부탄의 국가 언어로서 국내에서 광범위하게 사용되는 언어이다. 공식 문서, 경전, 기타 문학 작품은 문화적 가치를 보존하기 위해 종카어로 작성된다. 그러나 종카어 문서화는 스크립트의 복잡성, 음절당 다수의 키 입력 필요성, 효율적인 입력 도구의 부족으로 인해 어렵고 시간이 많이 소요되는 과정이다. 종카어에 대해 가능한 단어 목록을 예측하고 표시하는 즉각적인 시스템이 이 문제의 해결책이다. 본 프로젝트는 키 입력 횟수를 줄여 종카어 타이핑을 최대한 편리하게 만드는 것을 주요 목표로 한다. 데이터셋은 DCDD에서 수집하였으며 총 100,000개의 문장, 1,331,282개의 단어, 28,344개의 고유 단어로 구성된다. 데이터 전처리는 모든 영숫자 문자 제거, 토큰화, N-gram 시퀀스 생성 및 패딩을 통해 수행되었다. 학습에 선택된 세 가지 모델은 LSTM, Bi-LSTM, GRU이다. 학습 과정에는 모델의 하이퍼파라미터 미세조정이 포함되었다. GRU는 경량이면서 대규모 데이터셋을 처리할 수 있어 74.03%의 정확도로 가장 우수한 성능을 보였으며 과적합 문제도 해결하였다.

arXiv:2607.05614v1cs.CL

BaFCo: 복잡한 벵골어 서식 이해를 위한 문서 이해 벤치마크

BaFCo: A Document Understanding Benchmark for Complex Bangla Form Comprehension

BaFCo는 저자원 언어인 벵골어(Bangla) 문서 이해의 공백을 메우기 위해 방글라데시 정부 서식 200개를 기반으로 구축된 벤치마크로, 문서 레이아웃 분석(DLA)과 핵심 정보 추출(KIE)을 위한 26개 세밀 엔티티 유형과 관계 어노테이션을 제공한다. ChatGPT, Gemini, Claude, Qwen, Kimi 시리즈 MLLM을 제로샷 및 사고의 연쇄(Chain-of-Thought) 프롬프트로 평가한 결과, 현재 모델들은 세밀한 서식 엔티티 위치 파악에서 뚜렷한 한계를 드러냈으며 Gemini 3 Pro가 DLA와 KIE 모두에서 가장 높은 성능을 기록했다.

arXiv:2607.04895v2cs.CL

Ossetic-COT: 오세트어 형태소 주석 말뭉치 및 형태소 분석기 설계

Ossetic-COT: Designing a morphologically annotated corpus and morphological analyzer for Ossetic

Universal Dependencies 스키마를 따르는 최초의 Iron 오세트어(Iron Ossetic) 형태소 주석 말뭉치 Ossetic-COT를 구축하고, 이를 활용해 BERT 기반 형태소 분석기를 학습한 결과 95.60%의 태그 정확도를 달성했다. 말뭉치는 구어 텍스트에서 수작업으로 주석된 5,454개 문장(74,032 토큰)으로 구성되며, 오세트어 고유의 형태통사적 특성을 반영한 언어별 UD 확장 주석 지침도 함께 제안했다.

arXiv:2607.02763v1cs.CL

LuxSQA: TTS 증강 음성 질의응답으로 룩셈부르크어로 질문하기

LuxSQA: Ask Me in Luxembourgish with TTS-Augmented Spoken Question Answering

음성 질의응답(SQA)은 여전히 고자원 언어와 정밀하게 녹음된 음성에 집중되어 있어, 저자원 환경에서 음성-LLM 방법론의 적용 범위를 제한하고 있다. 본 논문은 텍스트 음성 변환(TTS)이 대규모 인간 녹음 QA 코퍼스 없이도 룩셈부르크어 SQA를 위한 태스크 특화 학습 데이터를 제공할 수 있는지 탐구한다. 기존 텍스트 기반 QA 자료를 출발점으로, 질문을 룩셈부르크어로 번역하고 다수의 TTS 시스템으로 음성 질문을 합성한 후 텍스트 답변과 쌍으로 구성한다. 우리는 학습된 프로젝터와 LoRA 어댑터를 통해 고정된 Whisper 인코더를 고정된 다국어 LLM 백엔드에 연결하는 매개변수 효율적인 SLAM 스타일 아키텍처를 학습시킨다. MMS-TTS, Qwen3-TTS, OmniVoice 변형을 비교하며, 약 48k 질문의 단일 출처 코퍼스와 약 230k 질문의 4TTS 다중 출처 혼합 데이터를 포함한다. 두 가지 실제 룩셈부르크어 화자 조건으로 구성된 LLAMA-LB-Test에서의 평가 결과, 다중 출처 및 음성 디자인 기반 합성 학습 구성이 가장 우수한 SQA 성능을 보인다. 또한 참조 없는 TTS 품질 점수가 다운스트림 QA 성능을 단조롭게 예측하지 않음을 보여주며, 이는 합성 음성을 자연스러운 오디오로서만이 아니라 태스크 특화 학습 데이터로 평가해야 함을 시사한다.

arXiv:2606.31947v2cs.CL

LuxEmo: 룩셈부르크어를 위한 표현적 텍스트 음성 변환 말뭉치

LuxEmo: Expressive Text-to-Speech Corpus for Luxembourgish

룩셈부르크어의 표현적 텍스트 음성 변환(TTS) 연구를 위해 RTL 청소년 방송에서 수집한 21시간 분량의 자발적 대화 음성 코퍼스 LuxEmo를 소개하며, 음성 활동 감지, 잡음 제거, 감정 예측 등을 결합한 반자동 큐레이션 워크플로로 4가지 감정 범주를 포함한 7,562개 세그먼트를 구축하였다. 독일어 기반 교차 언어 전이, 다국어 지원, 룩셈부르크어 적응, 비모수 운율 전이 등 5개의 표현적 TTS 시스템을 벤치마크하여 저자원 코드 스위칭 환경에서의 현실적인 활용 가능성을 평가하였다.

arXiv:2605.22487v2cs.CL

Polite on the Surface, Broken in Practice: A Curated Dataset for Fixing Generation and Register Failures in Low-Resource Bangla Text Generation

저자원(low-resource) 방글라어 생성에서 대규모 언어 모델(LLM)이 보이는 비일관적 경어 체계, 구조적 오류, 비문맥적 출력 문제를 해결하기 위해, 4,196개의 전문가 주석 프롬프트-응답 쌍으로 구성된 인스트럭션 튜닝(instruction tuning) 데이터셋 BLADE를 제시한다. LoRA 어댑터와 4-bit NF4 양자화(quantization)를 활용해 DeepSeek-8B, LLaMA-3.2-3B 등 소형 모델을 파인튜닝한 결과, 제로샷(zero-shot) 프론티어 모델을 상회하는 구조적 충실도 및 경어 일관성을 달성하며 문화적 데이터 품질이 모델 규모보다 중요함을 실증하였다.

arXiv:2606.29378v1cs.CL

교차 시대적 신할라어 OCR: 페이지 수준 적응 및 통시적 분석

Cross-Temporal Sinhala OCR: Page-Level Adaptation and Diachronic Analysis

신할라어는 스리랑카에서 약 1,600만 명이 사용하는 형태론적으로 풍부한 아부기다 문자 체계이며, 현재까지 페이지 수준 신할라어 OCR을 위한 실세계 데이터셋이 공개적으로 제공된 바 없다. 신할라어 OCR 모델을 평가한 기존 연구들은 모두 인공적으로 생성된 데이터를 사용하였다. 이 격차를 해소하기 위해, 우리는 1981–1989년 및 2000–2019년 사이에 발행된 스리랑카 입법 법령에서 수집한 1,010개의 페이지 수준 이미지와 그 전사본으로 구성된 주석 데이터셋 sinhala-ocr-lk-acts-1010을 소개한다. 이 데이터셋은 학습 예시 707개, 검증 예시 101개, 테스트 예시 202개로 분할된다. 심층 학습 기반 시각 언어 처리 모델인 DeepSeek-OCR V1, DeepSeek-OCR V2, LightOnOCR-2-1B 세 가지 모델을 소비자용 및 클라우드 GPU에서 수행한 8개의 실험을 통해 QLoRA로 파인튜닝하였다. LightOnOCR-2-1B가 가장 우수한 성능을 보여, 전체 테스트 예시에서 CER 1.05%를 달성하였으며, Surya-OCR(8.84%) 및 Tesseract v5(10.69%) 등 최신 오픈소스 OCR 모델과 Google Document AI(2.06%) 등 상용 OCR 모델을 능가하였다. 실험 결과는 LightOnOCR-2-1B가 실세계 OCR 과제에서 다른 베이스라인을 상회하며, 문서가 심하게 손상된 경우에도 모든 인쇄 시기에 걸쳐 일관된 성능을 유지함을 시사한다.

arXiv:2606.24825v1cs.CL

L3Cube-MahaPOS: A Marathi Part-of-Speech Tagging Dataset and BERT Models

자원이 부족한 마라티어 품사(POS) 태깅을 위해 뉴스 텍스트에서 추출한 32,354문장을 Universal Dependencies 정렬 16태그로 수동 주석한 L3Cube-MahaPOS 골드표준 데이터셋을 공개한다. HMM, CRF, BiLSTM, BiLSTM+CharCNN, MuRIL, MahaBERT-v2 등 6개 모델군을 벤치마크한 결과 최고 시스템은 토큰 정확도 88.67%, macro-F1 81.67%를 기록했으며 데이터셋·주석 가이드·학습 체크포인트도 함께 배포한다.

arXiv:2606.24523v1cs.CL

Poster: Exploring the Limits of Audio-Based Detection of Turkish Phone Call Scams

저자들은 터키어 전화 사기·정상 통화 100건의 오디오-전사 쌍으로 구성된 최초 공개 멀티모달 데이터셋을 제시하고, Gemini 2.5·GPT-4o·Qwen 등 7개 대규모 언어 모델(LLM)을 원시 오디오·자동 전사·원어민 교정 전사 세 조건에서 평가했다. 전사 기반 입력이 원시 오디오보다 일관되게 우수했고(F1 평균 약 0.99 대 0.97), 원어민 교정과 미교정 전사는 성능 차이가 거의 없었으며, 오디오 조건의 주요 실패 원인은 욕설·협박 등이 포함된 통화에 대한 모델 안전 필터 거부였다.

arXiv:2606.18989v1cs.CL

G-IdiomAlign: 교차 언어 관용구 정렬을 위한 용어 설명(gloss) 피벗 벤치마크

G-IdiomAlign: A Gloss-Pivoted Benchmark for Cross-Lingual Idiom Alignment

관용구의 비구성성으로 언어 간 의미 전환이 어렵다는 문제를 다루기 위해 Wiktionary 영어 gloss를 의미 피벗으로 삼은 G-IdiomAlign 벤치마크를 제시하고, 객관식 동등성 평가와 gloss 대조 생성 두 프로토콜로 재현 가능한 진단 평가를 제공한다. 다양한 LLM에서 직역 편향이 지배적 실패 모드로 나타나며 저자원 언어에서 특히 두드러지고, gloss는 임베딩 기반 의미 프록시 하에서 생성 성능을 일관되게 높이지만 전반적 수준은 여전히 낮아 개선 여지가 크다.