17 listopada 2025

Marzena Karpińska (Microsoft)

OneRuler: testowanie wielojęzycznych modeli językowych na długim kontekście  

W tym wystąpieniu przyjrzymy się jak dobrze modele językowe radzą sobie z wydobywaniem informacji z tekstów do 128 tysięcy tokenów (ok 100 tysięcy słów) w 26 językach, w tym po polsku. Wyniki eksperymentów wskazują, że wraz ze wzrostem długości kontekstu rosną różnice między językami o dużych i małych zasobach danych. Co zaskakujące, nawet minimalne zmiany w poleceniu (dodanie możliwości, że informacja nie istnieje) powodują znaczny spadek skuteczności, szczególnie przy dłuższych tekstach.

7 października 2023

Uczestnicy konkursu PolEval 2024

Planowana seria prezentacji uczestników zadań PolEvalowych  

Lista wystąpień będzie dostępna wkrótce.

11 marca 2024

Mateusz Krubiński (Uniwersytet Karola w Pradze)

Tytuł wystąpienia podamy wkrótce  

8 stycznia 2024 (prezentacja wyników projektu DARIAH.Lab)

Zespół projektu DARIAH.Lab (Instytut Podstaw Informatyki PAN)

Tytuł wystąpienia poznamy wkrótce  

Streszczenie wystąpienia udostępnimy w najbliższym czasie.

3 października 2022

... (...)

Tytuł wystąpienia podamy wkrótce  

Opis wystąpienia udostępnimy już niedługo.

UWAGA: ze względu na zakaz wstępu do IPI PAN dla osób niezatrudnionych w Instytucie, w stacjonarnej części seminarium mogą brać udział tylko pracownicy IPI PAN i prelegenci (także zewnętrzni). Dla pozostałych uczestników seminarium będzie transmitowane – prosimy o korzystanie z linku przy tytule wystąpienia.

6 czerwca 2022

Paula Czarnowska (University of Cambridge)

Tytuł wystąpienia podamy wkrótce  

Opis wystąpienia udostępnimy już niedługo.

2 kwietnia 2020

Stan Matwin (Dalhousie University)

Efficient training of word embeddings with a focus on negative examples  

This presentation is based on our AAAI 2018 and AAAI 2019 papers on English word embeddings. In particular, we examine the notion of “negative examples”, the unobserved or insignificant word-context co-occurrences, in spectral methods. we provide a new formulation for the word embedding problem by proposing a new intuitive objective function that perfectly justifies the use of negative examples. With the goal of efficient learning of embeddings, we propose a kernel similarity measure for the latent space that can effectively calculate the similarities in high dimensions. Moreover, we propose an approximate alternative to our algorithm using a modified Vantage Point tree and reduce the computational complexity of the algorithm with respect to the number of words in the vocabulary. We have trained various word embedding algorithms on articles of Wikipedia with 2.3 billion tokens and show that our method outperforms the state-of-the-art in most word similarity tasks by a good margin. We will round up our discussion with some general thought s about the use of embeddings in modern NLP.

12 DATA 2017 (UWAGA: wystąpienie odbędzie się o 13:00 w ramach seminarium IPI PAN)

OSOBA (AFILIACJA)

Tytuł zostanie udostępniony w najbliższym czasie  

Opis wystąpienia zostanie udostępniony wkrótce.

...  

...