Pedro Javier Ortiz Suárez

Pedro Javier Ortiz Suárez

Auto-generated profile, based on publicly available information

Pedro Javier Ortiz Suárez

GmbH DFKI

Research Focus & Metrics

Academic Career Length

7Years (2020-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 January 2020
Verified
Conference Paper
Open access
PDF file
LMLouis Martin
Louis Martin
BMBenjamin Muller
Benjamin Muller
PSPedro Javier Ortiz Suárez
Pedro Javier Ortiz Suárez
YDYoann Dupont
Yoann Dupont
LRLaurent Romary
Laurent Romary
BSBenoît Sagot
Benoît Sagot
Louis Martin, Benjamin Muller, Pedro Javier Ortiz Suárez, Yoann Dupont, Laurent Romary, Éric de la Clergerie, Djamé Seddah, Benoît Sagot. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020.

1 January 2020
Verified
Conference Paper
Open access
PDF file
PSPedro Javier Ortiz Suárez
Pedro Javier Ortiz Suárez
LRLaurent Romary
Laurent Romary
BSBenoît Sagot
Benoît Sagot
Pedro Javier Ortiz Suárez, Laurent Romary, Benoît Sagot. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020.

1 January 2020
Verified
Conference Paper
Open access
PDF file
DSDjamé Seddah
Djamé Seddah
FEFarah Essaidi
Farah Essaidi
AFAmal Fethi
Amal Fethi
MFMatthieu Futeral
Matthieu Futeral
BMBenjamin Muller
Benjamin Muller
ASAbhishek Srivastava
Abhishek Srivastava
Djamé Seddah, Farah Essaidi, Amal Fethi, Matthieu Futeral, Benjamin Muller, Pedro Javier Ortiz Suárez, Benoît Sagot, Abhishek Srivastava. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020.

3 January 2023 in Science and Technology of Advanced Materials: Methods
Verified
Journal Article
Open access
LFLuca Foppiano
Luca Foppiano
PCPedro Baptista Castro
Pedro Baptista Castro
PSPedro Ortiz Suarez
Pedro Ortiz Suarez
KTKensei Terashima
Kensei Terashima
YTYoshihiko Takano
Yoshihiko Takano
MIMasashi Ishii
Masashi Ishii

14 December 2023 in Science and Technology of Advanced Materials: Methods
Verified
Journal Article
Open access
LFLuca Foppiano
Luca Foppiano
TMTomoya Mato
Tomoya Mato
KTKensei Terashima
Kensei Terashima
PSPedro Ortiz Suarez
Pedro Ortiz Suarez
TTTaku Tou
Taku Tou
MIMasashi Ishii
Masashi Ishii

6 April 2026
Verified
Thesis
Closed access
PSPedro Ortiz Suarez
Pedro Ortiz Suarez
Une approche basée sur les données pour le traitement automatique du langage naturel en français contemporain et historique: Depuis plusieurs années, les approches neuronales ont régulièrement amélioré l'état de l'art du traitement automatique des langues (TAL) sur une grande variété de tâches. L'un des principaux facteurs ayant permis ces progrès continus est l'utilisation de techniques d'apprentissage par transfert. Ces méthodes consistent à partir d'un modèle pré-entraîné et à le réutiliser, avec peu ou pas d'entraînement supplémentaire, pour traiter d'autres tâches. Même si ces modèles présentent des avantages évidents, leur principal inconvénient est la quantité de données nécessaire pour les pré-entraîner. Ainsi, le manque de données disponibles à grande échelle a freiné le développement de tels modèles pour le français contemporain et a fortiori pour ses états de langue plus anciens.Cette thèse met l'accent sur le développement de corpus pour le pré-entraînement de telles architectures. Cette approche s'avère extrêmement efficace car nous sommes en mesure d'améliorer l'état de l'art pour un large éventail de tâches de TAL pour le français contemporain et historique, ainsi que pour six autres langues contemporaines. De plus, nous montrons que ces modèles sont extrêmement sensibles à la qualité, à l'hétérogénéité et à l'équilibre des données de pré-entraînement et montrons que ces trois caractéristiques sont de meilleurs prédicteurs de la performance des modèles que la taille des données de pré-entraînement. Nous montrons également que l'importance de la taille des données de pré-entraînement a été surestimée en démontrant à plusieurs reprises que l'on peut pré-entraîner de tels modèles avec des corpus de taille assez modeste.