Fugu-MT 論文翻訳(概要): Are Mutually Intelligible Languages Easier to Translate?

論文の概要: Are Mutually Intelligible Languages Easier to Translate?

arxiv url: http://arxiv.org/abs/2201.13072v1
Date: Mon, 31 Jan 2022 09:22:23 GMT
ステータス: 処理完了
システム内更新日: 2022-02-01 23:51:21.647802
Title: Are Mutually Intelligible Languages Easier to Translate?
Title（参考訳）: 相互に理解可能な言語は翻訳しやすいか?
Authors: Avital Friedland, Jonathan Zeltser, Omer Levy
Abstract要約: 本稿では,ニューラルマシーン翻訳モデルの学習に必要なデータ量は,言語間の相互理解性に反することを示す。ロマンス語群の実験では、モデルの学習曲線の下での領域と、人間の話者を研究することによって得られる相互の知性スコアとの間には、確かに強い相関関係があることが明らかにされた。
参考スコア（独自算出の注目度）: 30.41671642147019
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Two languages are considered mutually intelligible if their native speakers can communicate with each other, while using their own mother tongue. How does the fact that humans perceive a language pair as mutually intelligible affect the ability to learn a translation model between them? We hypothesize that the amount of data needed to train a neural ma-chine translation model is anti-proportional to the languages' mutual intelligibility. Experiments on the Romance language group reveal that there is indeed strong correlation between the area under a model's learning curve and mutual intelligibility scores obtained by studying human speakers.
Abstract（参考訳）: 2つの言語は、母国語を使いながら、母国語話者が互いにコミュニケーションできる場合、相互に理解可能であると考えられている。人間が言語ペアを相互に認識できるという事実は、それらの間の翻訳モデルを学ぶ能力にどのように影響しますか? ニューラル・マシーン翻訳モデルの学習に必要なデータの量は、言語間の相互理解に反するものであると仮定する。ロマンス言語群における実験により、モデルの学習曲線の下の領域と、人間の話者の研究によって得られた相互理解可能性スコアとの間には、確かに強い相関関係があることが示されている。

関連論文リスト

A Computational Model for the Assessment of Mutual Intelligibility Among Closely Related Languages [1.5773159234875098]
密接に関連する言語は、ある言語の話者が積極的に学習することなく他の言語の話者を理解することができる言語類似性を示す。相互の知性は程度によって異なり、典型的には精神言語実験でテストされる。本稿では,人間による言語学習の認知過程を近似するために,線形識別学習システムを用いたコンピュータ支援手法を提案する。
論文参考訳（メタデータ） (2024-02-05T11:32:13Z)
On the Correspondence between Compositionality and Imitation in Emergent Neural Communication [1.4610038284393165]
我々の研究は、ディープ・ニューラル・エージェントがプレイするルイス・ゲームにおける構成性と模倣の関係を探求する。教師付き学習は平均的な言語を作り出す傾向があり、強化学習はより構成的な言語に対する選択的な圧力をもたらす。
論文参考訳（メタデータ） (2023-05-22T11:41:29Z)
Relationship of the language distance to English ability of a country [0.0]
本稿では,言語間の意味的相違を測る新しい手法を提案する。提案するセマンティック言語距離の有効性を実証的に検討する。実験の結果, 言語距離は, 国の平均英語能力に負の影響を及ぼすことが示された。
論文参考訳（メタデータ） (2022-11-15T02:40:00Z)
Learning an Artificial Language for Knowledge-Sharing in Multilingual Translation [15.32063273544696]
コードブック内のエントリにエンコーダ状態を割り当てることで,多言語モデルの潜伏空間を識別する。我々は,現実的なデータ量と領域を用いた大規模実験へのアプローチを検証する。また、学習した人工言語を用いてモデル行動を分析し、類似のブリッジ言語を使用することで、残りの言語間での知識共有が向上することを発見した。
論文参考訳（メタデータ） (2022-11-02T17:14:42Z)
What Artificial Neural Networks Can Tell Us About Human Language Acquisition [47.761188531404066]
自然言語処理のための機械学習の急速な進歩は、人間がどのように言語を学ぶかについての議論を変革する可能性がある。計算モデルによる学習可能性の関連性を高めるためには,人間に対して大きな優位性を持たず,モデル学習者を訓練する必要がある。
論文参考訳（メタデータ） (2022-08-17T00:12:37Z)
Linking Emergent and Natural Languages via Corpus Transfer [98.98724497178247]
創発言語と自然言語のコーパス転送によるリンクを確立する新しい方法を提案する。このアプローチでは,言語モデリングとイメージキャプションという,2つの異なるタスクに対して,非自明な転送メリットを示す。また,同一画像に基づく自然言語キャプションに創発的メッセージを翻訳することで,創発的言語の伝達可能性を予測する新しい指標を提案する。
論文参考訳（メタデータ） (2022-03-24T21:24:54Z)
Discovering Representation Sprachbund For Multilingual Pre-Training [139.05668687865688]
多言語事前学習モデルから言語表現を生成し、言語分析を行う。すべての対象言語を複数のグループにクラスタリングし、表現のスプラックバンドとして各グループに名前を付ける。言語間ベンチマークで実験を行い、強いベースラインと比較して大幅な改善が達成された。
論文参考訳（メタデータ） (2021-09-01T09:32:06Z)
Unsupervised Cross-lingual Representation Learning for Speech Recognition [63.85924123692923]
XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
論文参考訳（メタデータ） (2020-06-24T18:25:05Z)
Bridging Linguistic Typology and Multilingual Machine Translation with Multi-View Language Representations [83.27475281544868]
特異ベクトル標準相関解析を用いて、各情報源からどのような情報が誘導されるかを調べる。我々の表現は類型学を組み込み、言語関係と相関関係を強化する。次に、多言語機械翻訳のための多視点言語ベクトル空間を利用して、競合する全体的な翻訳精度を実現する。
論文参考訳（メタデータ） (2020-04-30T16:25:39Z)
Knowledge Distillation for Multilingual Unsupervised Neural Machine Translation [61.88012735215636]
unsupervised neural machine translation (UNMT) は、最近、いくつかの言語対に対して顕著な結果を得た。 UNMTは単一の言語ペア間でのみ翻訳することができ、同時に複数の言語ペアに対して翻訳結果を生成することはできない。本稿では,1つのエンコーダと1つのデコーダを用いて13言語間を翻訳する簡単な手法を実証的に紹介する。
論文参考訳（メタデータ） (2020-04-21T17:26:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。