lab Hugging Face Blog · baru saja · releases

Papan Peringkat ASR Terbuka menambahkan dataset Monsoon untuk Hindi dan Inggris India

Diterjemahkan dari English → Bahasa Indonesia

Papan Peringkat ASR Terbuka telah memperkenalkan bahasa Global South pertamanya dengan dua set evaluasi baru: Monsoon en-IN (Inggris India) dan Monsoon hi-IN (Hindi). Penambahan ini mengatasi kurangnya keragaman demografis dalam benchmark saat ini, yang secara historis berfokus pada bahasa Eropa.

Dataset terdiri dari 4.888 pembicara yang tidak tumpang tindih di empat split publik dan privat.
Data dikumpulkan melalui platform Voice Arena dari ratusan distrik untuk memastikan cakupan geografis dan perangkat yang luas.
Setiap segmen mencakup 12 bidang metadata seperti usia, jenis kelamin, pekerjaan, dan model handset.
Set Hindi memanfaatkan lattice untuk menangani variasi ortografis daripada referensi string standar.
Pengumpulan bervariasi sepanjang sembilan sumbu termasuk geografi, usia, jenis kelamin, kosakata, dan lingkungan akustik.

Ekspansi ini memungkinkan analisis terdisagregasi kinerja ASR di berbagai populasi, mengungkap disparitas tingkat kesalahan yang disembunyikan oleh skor WER agregat.

Kepentingan 1/3 Kepercayaan 1/3 Hugging Face Blog Evaluation & benchmarks Training data

Artikel terkait

media Hugging Face Forums · 10 hari lalu · 4 tayangan

Young25 merilis Humor_Vote, dataset humor Tiongkok dengan label suara manusia

Pengguna Young25 telah merilis dataset Humor_Vote di Hugging Face, menyediakan sumber daya untuk mengevaluasi dan melatih model pada humor Tiongkok. Dataset ini terdiri dari pertanyaan humor asli Tiongkok yang dipasangkan dengan empat jawaban kandidat dan jumlah suara manusia yang sesuai.

media Hugging Face Forums · 42 hari lalu · 8 tayangan

louidev merilis GlassBallAI, kumpulan data terkunci waktu untuk prakiraan Gemini guna mempelajari perilaku LLM

louidev telah merilis dataset GlassBallAI di Hugging Face, yang menangkap perilaku prakiraan langsung dari model Gemini Google sebelum hasil diketahui. Dataset ini berisi lebih dari 3.655 baris data yang dikumpulkan antara 17 Februari dan 19 Mei 2026, mencakup Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite, dan 3.0 Flash Preview.

arxiv arXiv cs.AI · 44 hari lalu · 9 tayangan

ViHoRec: Dataset Rekomendasi Hotel Vietnam Berkontrol Kualitas dan Benchmark Cold-Start

Para peneliti memperkenalkan ViHoRec, sebuah dataset publik berisi 18.267 interaksi antara 6.832 pengguna dan 560 hotel untuk rekomendasi hotel Vietnam. Sumber daya ini mengatasi tantangan dalam resolusi entitas lintas-platform dan rilis yang melestarikan privasi menggunakan pseudonim HMAC.

arxiv arXiv cs.LG · 46 hari lalu · 6 tayangan

SYNRARE menghasilkan EHR penyakit langka sintetis untuk benchmarking ML

SYNRARE adalah antarmuka pengguna grafis yang didasarkan pada framework Synthea, dirancang untuk menghasilkan Rekam Medis Elektronik (EHR) sintetis untuk pasien penyakit langka. Ini memungkinkan peneliti membuat data pasien yang berbeda dari kasus penyakit umum sebesar derajat yang dapat didefinisikan, mengatasi hambatan privasi dan hukum yang terkait dengan data pasien nyata.

arxiv arXiv cs.LG · 46 hari lalu · 6 tayangan

TSAI merilis benchmark MetaFraud untuk deteksi penipuan keuangan multimodal di metaverse

Para peneliti telah memperkenalkan TSAI-MetaFraud, dataset benchmark multimodal baru yang dirancang untuk mengatasi kurangnya sumber daya komprehensif untuk mendeteksi penipuan dan perilaku ilegal dalam ekonomi virtual. Berbeda dengan dataset yang ada yang menganalisis perilaku pengguna, autentikasi, atau transaksi keuangan secara terisolasi, sumber daya ini mengintegrasikan informasi perilaku, transaksional, dan berstruktur graf.