Fugu-MT 論文翻訳(概要): Leveraging GPT-4 for Automatic Translation Post-Editing

論文の概要: Leveraging GPT-4 for Automatic Translation Post-Editing

arxiv url: http://arxiv.org/abs/2305.14878v1
Date: Wed, 24 May 2023 08:30:05 GMT
ステータス: 処理完了
システム内更新日: 2023-05-25 18:13:12.373293
Title: Leveraging GPT-4 for Automatic Translation Post-Editing
Title（参考訳）: gpt-4を用いた翻訳後自動編集
Authors: Vikas Raunak, Amr Sharaf, Hany Hassan Awadallah, Arul Menezes
Abstract要約: GPT-4は翻訳後編集に適しており、ターゲット言語が英語でなくても意味のある編集が可能である。我々は、GPT-4に基づく後編集を用いて、WMT-22英語、英語、英語、中国語、ドイツ語のペアで最先端のパフォーマンスを達成した。
参考スコア（独自算出の注目度）: 15.47752736119331
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While Neural Machine Translation (NMT) represents the leading approach to Machine Translation (MT), the outputs of NMT models still require translation post-editing to rectify errors and enhance quality, particularly under critical settings. In this work, we formalize the task of translation post-editing with Large Language Models (LLMs) and explore the use of GPT-4 to automatically post-edit NMT outputs across several language pairs. Our results demonstrate that GPT-4 is adept at translation post-editing and produces meaningful edits even when the target language is not English. Notably, we achieve state-of-the-art performance on WMT-22 English-Chinese, English-German, Chinese-English and German-English language pairs using GPT-4 based post-editing, as evaluated by state-of-the-art MT quality metrics.
Abstract（参考訳）: ニューラル機械翻訳(NMT)は機械翻訳(MT)の主要なアプローチであるが、NMTモデルの出力は、特に臨界条件下でエラーの修正と品質向上のために翻訳後編集を必要とする。本研究では,Large Language Models (LLM) を用いた翻訳後編集タスクを形式化し,GPT-4を用いて複数の言語ペア間でNMT出力を自動的に後編集する方法について検討する。その結果, GPT-4は翻訳後編集に適しており, 対象言語が英語でなくても意味のある編集が可能であることがわかった。特に、GPT-4に基づく後編集を用いて、WMT-22英語、英語、英語、中国語、ドイツ語のペアについて、最先端のMT品質指標を用いて評価した。

関連論文リスト

Benchmarking GPT-4 against Human Translators: A Comprehensive Evaluation Across Languages, Domains, and Expertise Levels [20.05501751993599]
GPT-4は、全エラーの点において、中級のトランスレータに匹敵する性能を達成する。従来のニューラル機械翻訳システムとは異なり、GPT-4は全ての評価された言語対に対して一貫した翻訳品質を維持している。
論文参考訳（メタデータ） (2024-11-21T01:12:46Z)
GPT-4 vs. Human Translators: A Comprehensive Evaluation of Translation Quality Across Languages, Domains, and Expertise Levels [18.835573312027265]
本研究では,人間の翻訳者に対するLarge Language Models(LLMs)の翻訳品質を包括的に評価する。また, GPT-4は, 中高の翻訳者よりも遅れが小さいため, 中高の翻訳者に対して同等に機能することがわかった。
論文参考訳（メタデータ） (2024-07-04T05:58:04Z)
Prompting Large Language Models with Human Error Markings for Self-Correcting Machine Translation [11.351365352611658]
後編集(PE)は、エラーを訂正し、専門ドメインの項翻訳品質を高めるために依然として必要である。技術的領域における正しい一貫した項翻訳の必要性に対する翻訳記憶(TM)の強化に関するパイロット研究について述べる。
論文参考訳（メタデータ） (2024-06-04T12:43:47Z)
Guiding Large Language Models to Post-Edit Machine Translation with Error Annotations [14.149224539732913]
機械翻訳は、大規模言語モデル(LLM)がまだ専用の教師付きシステムに取って代わっていない最後のNLPタスクの1つである。この研究はLLMの補完的な強度を利用して、その品質に外部からのフィードバックを伴って、LMを自動で後続MTに誘導する。中国語・英語・ドイツ語・英語・ロシア語のMQMデータを用いた実験により,LLMのMT後処理によりTER,BLEU,COMETのスコアが向上することが実証された。微調整はきめ細かいフィードバックをより効果的に統合し、自動評価と人的評価の両方に基づいて翻訳品質を向上させる。
論文参考訳（メタデータ） (2024-04-11T15:47:10Z)
Improving Cross-Domain Low-Resource Text Generation through LLM Post-Editing: A Programmer-Interpreter Approach [50.400999859808984]
後編集は、大規模言語モデル(LLM)によって生成されたテキストの品質向上に有効であることが証明された。本稿では,LLMの領域一般化能力を保持するニューラルプログラマ・解釈手法を提案する。実験により,プログラマ・インタプリタは論理形式変換や低リソース機械翻訳において,GPT-3.5の性能を大幅に向上させることが示された。
論文参考訳（メタデータ） (2024-02-07T06:13:14Z)
Contrastive Preference Optimization: Pushing the Boundaries of LLM Performance in Machine Translation [50.00235162432848]
我々は22Kパラレル文と12Mパラメータしか持たないALMAモデルを訓練する。 ALMA-Rと呼ばれる結果のモデルは、WMTコンテストの勝者とGPT-4のパフォーマンスと一致または上回ることができる。
論文参考訳（メタデータ） (2024-01-16T15:04:51Z)
ParroT: Translating during Chat using Large Language Models tuned with Human Translation and Feedback [90.20262941911027]
ParroTはチャット中の翻訳機能を強化し、規制するフレームワークである。具体的には、ParroTは、翻訳データを命令フォロースタイルに書き換える。本稿では,ParroTモデルを微調整するための3つの命令タイプを提案する。
論文参考訳（メタデータ） (2023-04-05T13:12:00Z)
Document-Level Machine Translation with Large Language Models [91.03359121149595]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクに対して、一貫性、凝集性、関連性、流動性のある回答を生成することができる。本稿では,LLMの談話モデルにおける能力について詳細に評価する。
論文参考訳（メタデータ） (2023-04-05T03:49:06Z)
DivEMT: Neural Machine Translation Post-Editing Effort Across Typologically Diverse Languages [5.367993194110256]
DivEMTは、ニューラルネットワーク翻訳(NMT)に関する、タイプ的かつ多様なターゲット言語に対する初めての公開後研究である。我々は、Google Translateとオープンソースの多言語モデルmBART50の2つの最先端NTTシステムの翻訳生産性への影響を評価する。
論文参考訳（メタデータ） (2022-05-24T17:22:52Z)
SJTU-NICT's Supervised and Unsupervised Neural Machine Translation Systems for the WMT20 News Translation Task [111.91077204077817]
我々は英語・中国語・英語・ポーランド語・ドイツ語・アッパー・ソルビアンという3つの言語対の4つの翻訳指導に参加した。言語ペアの異なる条件に基づいて、我々は多様なニューラルネットワーク翻訳(NMT)技術の実験を行った。私たちの提出書では、主要なシステムは英語、中国語、ポーランド語、英語、ドイツ語から上セルビア語への翻訳の道順で第一位を獲得しました。
論文参考訳（メタデータ） (2020-10-11T00:40:05Z)
Explicit Reordering for Neural Machine Translation [50.70683739103066]
Transformer-based neural machine translation (NMT)では、位置符号化機構は、自己アテンションネットワークが順序依存でソース表現を学習するのに役立つ。本研究では,トランスフォーマーベースのNMTに対して,このリオーダ情報を明示的にモデル化する新しいリオーダ手法を提案する。 WMT14, WAT ASPEC日本語訳, WMT17中国語訳の実証結果から, 提案手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-04-08T05:28:46Z)

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。