論文の概要: Understanding In-Context Machine Translation for Low-Resource Languages: A Case Study on Manchu

• arxiv url: http://arxiv.org/abs/2502.11862v1
• Date: Mon, 17 Feb 2025 14:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:12:16.931963
• Title: Understanding In-Context Machine Translation for Low-Resource Languages: A Case Study on Manchu
• Title（参考訳）: 低リソース言語における文脈内機械翻訳の理解--満州を事例として
• Authors: Renhao Pei, Yihong Liu, Peiqin Lin, François Yvon, Hinrich Schütze,
• Abstract要約: In-context machine translation (MT) with large language model (LLMs) は低リソースMTにおいて有望な手法である。 本研究では,各資源とその品質が満州語による翻訳性能に与える影響を体系的に検討した。 結果から,良質な辞書や優れた並列例は有用であり,文法はほとんど役に立たないことが明らかとなった。
• 参考スコア（独自算出の注目度）: 53.437954702561065
• License:
• Abstract: In-context machine translation (MT) with large language models (LLMs) is a promising approach for low-resource MT, as it can readily take advantage of linguistic resources such as grammar books and dictionaries. Such resources are usually selectively integrated into the prompt so that LLMs can directly perform translation without any specific training, via their in-context learning capability (ICL). However, the relative importance of each type of resource e.g., dictionary, grammar book, and retrieved parallel examples, is not entirely clear. To address this gap, this study systematically investigates how each resource and its quality affects the translation performance, with the Manchu language as our case study. To remove any prior knowledge of Manchu encoded in the LLM parameters and single out the effect of ICL, we also experiment with an encrypted version of Manchu texts. Our results indicate that high-quality dictionaries and good parallel examples are very helpful, while grammars hardly help. In a follow-up study, we showcase a promising application of in-context MT: parallel data augmentation as a way to bootstrap the conventional MT model. When monolingual data abound, generating synthetic parallel data through in-context MT offers a pathway to mitigate data scarcity and build effective and efficient low-resource neural MT systems.
• Abstract（参考訳）: In-context machine translation (MT) with large language model (LLMs) is a promising approach for low-resource MT。 このようなリソースは、通常、インコンテキスト学習能力(ICL)を介して、特定のトレーニングなしで直接翻訳を行うことができるように、プロンプトに選択的に統合される。 しかし, 資源の種類, 辞書, 文法書, 検索された並列例の相対的重要性は明らかになっていない。 このギャップに対処するため,本研究では,各資源とその品質が翻訳性能に与える影響を,満洲語を事例として体系的に検討した。 LLMパラメータに符号化された満洲の事前知識を排除し、ICLの効果を排除するために、満洲テキストの暗号化版も試行する。 結果から,良質な辞書や優れた並列例は有用であり,文法はほとんど役に立たないことが示唆された。 続いて,従来のMTモデルをブートストラップする方法として,並列データ拡張という,コンテキスト内MTの有望な応用を紹介した。 モノリンガルデータが蓄積されると、コンテキスト内MTを介して合成並列データを生成することで、データの不足を軽減し、効率的で効率的な低リソースのニューラルMTシステムを構築することができる。

関連論文リスト

• In-Context Example Selection via Similarity Search Improves Low-Resource Machine Translation [20.704153242284114]
  機械翻訳(MT)は、テキスト内翻訳の例から恩恵を受けることが示されているタスクである。 サンプルの選択方法に関する体系的な研究は発表されておらず、類似性に基づく選択の有用性について混合の結果が報告されている。 文の埋め込み類似性は,特に低リソース言語方向においてMTを改善することができる。
  論文  参考訳（メタデータ） (2024-08-01T09:07:32Z)
• Shortcomings of LLMs for Low-Resource Translation: Retrieval and Understanding are Both the Problem [4.830018386227]
  本研究では,機械翻訳パイプラインの自動化の一環として,事前学習された大言語モデル(LLM)が低リソース言語から高リソース言語への翻訳を指示する際の文脈内学習能力について検討する。 我々は南ケチュアをスペイン語に翻訳する一連の実験を行い、デジタル化された教育材料と平行コーパスの制約されたデータベースから得られた様々な種類の文脈の情報量について検討する。
  論文  参考訳（メタデータ） (2024-06-21T20:02:22Z)
• TasTe: Teaching Large Language Models to Translate through Self-Reflection [82.83958470745381]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて顕著な性能を示した。 本稿では,自己回帰を通した翻訳を行うTasTeフレームワークを提案する。 WMT22ベンチマークにおける4つの言語方向の評価結果から,既存の手法と比較して,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-12T17:21:21Z)
• Dictionary-based Phrase-level Prompting of Large Language Models for Machine Translation [91.57514888410205]
  大規模言語モデル(LLM)は、プロンプトによる機械翻訳(MT)能力を示す。 LLMは、低リソースやドメイン転送のシナリオで一般的なまれな単語で入力を翻訳するのに苦労する。 LLMプロンプトは、バイリンガル辞書からの事前知識を用いてプロンプトの制御ヒントを提供することにより、稀な単語に対する効果的な解決策を提供することができることを示す。
  論文  参考訳（メタデータ） (2023-02-15T18:46:42Z)
• Active Learning for Neural Machine Translation [0.0]
  NMTツールキットのJoey NMTにActive Learningと呼ばれるテクニックを組み込んで、低リソース言語翻訳の十分な精度と堅牢な予測を行った。 この研究は、トランスフォーマーベースのNMTシステム、ベースラインモデル(BM)、フルトレーニングモデル(FTM)、アクティブラーニング最小信頼ベースモデル(ALLCM)、アクティブラーニングマージンサンプリングベースモデル(ALMSM)を用いて、英語をヒンディー語に翻訳する。
  論文  参考訳（メタデータ） (2022-12-30T17:04:01Z)
• Learning to Generalize to More: Continuous Semantic Augmentation for Neural Machine Translation [50.54059385277964]
  CsaNMT(Continuous Semantic Augmentation)と呼ばれる新しいデータ拡張パラダイムを提案する。 CsaNMTは各トレーニングインスタンスを、同じ意味の下で適切なリテラル式をカバーできる隣接領域で拡張する。
  論文  参考訳（メタデータ） (2022-04-14T08:16:28Z)
• Using Multiple Subwords to Improve English-Esperanto Automated Literary Translation Quality [6.700433100198164]
  我々は同じパラレル文を複数回使用し、単語の分割の仕方を変えることを提案する。 追加の貢献として、文学領域で英語とエスペラントの並行したデータのセットを利用可能にしました。
  論文  参考訳（メタデータ） (2020-11-28T18:44:52Z)
• Pre-training Multilingual Neural Machine Translation by Leveraging Alignment Information [72.2412707779571]
  mRASPは、汎用多言語ニューラルマシン翻訳モデルを事前訓練するためのアプローチである。 我々は,低,中,豊かな資源を含む多種多様な環境における42の翻訳方向の実験を行い,エキゾチックな言語対への変換を行った。
  論文  参考訳（メタデータ） (2020-10-07T03:57:54Z)
• Language Model Prior for Low-Resource Neural Machine Translation [85.55729693003829]
  ニューラル翻訳モデル (TM) において, LM を事前に組み込む新しい手法を提案する。 正規化項を追加し、TMの出力分布をLMの下で予測可能とする。 2つの低リソース機械翻訳データセットの結果は、限られたモノリンガルデータであっても明らかな改善を示している。
  論文  参考訳（メタデータ） (2020-04-30T16:29:56Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。