論文の概要: Structure-Preserving Document Translation via Multi-Stage LLM Pipeline: A Case Study in Marathi

• arxiv url: http://arxiv.org/abs/2606.28796v1
• Date: Sat, 27 Jun 2026 08:07:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.692971
• Title: Structure-Preserving Document Translation via Multi-Stage LLM Pipeline: A Case Study in Marathi
• Title（参考訳）: マルチステージLLMパイプラインを用いた構造保存型文書翻訳:マラタイを事例として
• Abstract要約: インドの政府文書は主にマラタイ語などの地域言語で発行されている。 本稿では,構造保存型マラタイ・英語政府文書翻訳フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.3224090384815423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Government documents in India are predominantly issued in regional languages such as Marathi, creating substantial accessibility barriers for non-native readers, interstate administrative bodies, and policy analysts. Although recent advances in neural machine translation have improved sentence-level translation quality, existing systems largely neglect document structure, formatting integrity, and domain-specific terminology, thereby limiting their applicability to official documentation. This paper presents a structure-preserving Marathi-to-English government document translation framework capable of performing end-to-end document transformation while maintaining layout fidelity. The proposed system integrates layout-aware optical character recognition, coordinate-based text extraction, large language model based translation, and structured document reconstruction through HTML representations. By enforcing spatial alignment constraints and preserving hierarchical document elements, the framework ensures structural consistency between the source and translated documents. Experimental evaluation on real-world Marathi government PDFs demonstrates improved structural preservation, translation coherence, and terminological consistency compared to conventional text-only translation pipelines. The proposed framework contributes toward scalable multilingual accessibility solutions for e-governance and administrative document processing.
• Abstract（参考訳）: インドの政府文書は主にマラタイなどの地域言語で発行されており、非ネイティブの読者、州間行政機関、政策アナリストにとって重要なアクセシビリティ障壁を形成している。 ニューラルマシン翻訳の最近の進歩は文レベルの翻訳品質を改善したが、既存のシステムは文書構造、フォーマットの整合性、ドメイン固有の用語をほとんど無視し、公式文書への適用性を制限している。 本稿では、レイアウトの忠実さを維持しつつ、エンドツーエンドの文書変換を行うことができる構造保存型マラタイ・英語政府文書翻訳フレームワークを提案する。 提案システムは,レイアウト対応の光学文字認識,座標ベースのテキスト抽出,大規模言語モデルに基づく翻訳,HTML表現による構造化文書再構成を統合している。 空間的アライメントの制約を強制し、階層的なドキュメント要素を保存することにより、このフレームワークはソースと変換されたドキュメントの間の構造的一貫性を保証する。 実世界のマラタイ政府PDFの実験的評価では、従来のテキストのみの翻訳パイプラインと比較して、構造保存、翻訳コヒーレンス、用語的一貫性が改善されている。 提案フレームワークは,e-governanceおよび管理文書処理のためのスケーラブルな多言語アクセシビリティソリューションに寄与する。

関連論文リスト

• MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
  MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。 433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
  論文  参考訳（メタデータ） (2026-05-21T07:36:41Z)
• BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation [9.979324579114392]
  既存の文書翻訳パイプラインは言語処理とレイアウト保存の緊張に直面している。 本稿では、レイアウト保存PDF翻訳のためのIRベースのフレームワークであるBabelDOCを紹介する。 BabelDOCは、セマンティックコンテンツから視覚的なレイアウトメタデータを分離し、文書レベルの翻訳操作を可能にする。
  論文  参考訳（メタデータ） (2026-05-11T16:56:44Z)
• Structured Document Translation via Format Reinforcement Learning [12.727462974269942]
  教師付き微調整モデル上にグループ相対政策最適化を用いたtextbfFormat Reinforcement Learning (FormatRL) を提案する。 報酬関数の違いが、構造的および翻訳的品質の改善にどのように貢献するかを示す。
  論文  参考訳（メタデータ） (2025-12-04T18:58:30Z)
• Extending Automatic Machine Translation Evaluation to Book-Length Documents [69.84659107448768]
  SEGALEは、既存の自動メトリクスを長期文書翻訳に拡張する評価スキームである。 提案手法では,文書レベルの評価が従来不可能であった。 実験の結果,提案手法は既存の長文文書評価方式よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-09-21T21:46:58Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• Hierarchical Lexical Manifold Projection in Large Language Models: A Novel Mechanism for Multi-Scale Semantic Representation [0.0]
  構造的階層的埋め込みをトランスフォーマーベースのアーキテクチャに統合することで、語彙表現に対する洗練されたアプローチが導入された。 トークンを構造化多様体にマッピングする射影機構は、改善された語彙アライメントを提供する。 埋め込みの洗練された階層構造は、語彙モデリングにおいてより大きな解釈可能性をもたらす。
  論文  参考訳（メタデータ） (2025-02-08T00:49:32Z)
• Advancing Topic Segmentation and Outline Generation in Chinese Texts: The Paragraph-level Topic Representation, Corpus, and Benchmark [44.06803331843307]
  段落レベルのトピック構造は、ドキュメント全体のコンテキストをより高いレベルから把握し、理解することができる。 大規模で高品質な中国語段落レベルの話題構造コーパスの欠如は研究や応用を妨げた。 コーパス構築を導くために,3層からなる階層的な段落レベルのトピック構造表現を提案する。 2段階のマンマシン・コラボレーティブ・アノテーションを用いて,中国最大規模のトピック構造コーパスを構築する。
  論文  参考訳（メタデータ） (2023-05-24T06:43:23Z)
• Discourse Centric Evaluation of Machine Translation with a Densely Annotated Parallel Corpus [82.07304301996562]
  本稿では,江らが導入した大規模並列コーパスBWBに基づいて,リッチな談話アノテーションを用いた新しいデータセットを提案する。 ソース言語とターゲット言語の談話構造と類似点と相違点について検討する。 我々はMT出力が人間の翻訳と基本的に異なることを発見した。
  論文  参考訳（メタデータ） (2023-05-18T17:36:41Z)
• A Bilingual Parallel Corpus with Discourse Annotations [82.07304301996562]
  本稿では,Jiang et al. (2022)で最初に導入された大きな並列コーパスであるBWBと,注釈付きテストセットについて述べる。 BWBコーパスは、専門家によって英語に翻訳された中国の小説で構成されており、注釈付きテストセットは、様々な談話現象をモデル化する機械翻訳システムの能力を調査するために設計されている。
  論文  参考訳（メタデータ） (2022-10-26T12:33:53Z)
• Example-Based Machine Translation from Text to a Hierarchical Representation of Sign Language [1.3999481573773074]
  本稿では,テキスト・トゥ・サイン翻訳の原本について述べる。 これは、AZeeにおける手話ビデオのテキストと階層的な形式記述の間のアライメントのドメイン固有の並列コーパスを使用して、データの不足を補う。 提案アルゴリズムは、ソーステキストに存在する類似性の検出に基づいて、整列セグメントのマッチングと置換を利用して、複数の候補翻訳を構築する。 結果として得られる翻訳は、アバターシステムへの入力として使用されるように設計されたAZee式(英語版)の形式である。
  論文  参考訳（メタデータ） (2022-05-06T15:48:43Z)
• LiLT: A Simple yet Effective Language-Independent Layout Transformer for Structured Document Understanding [33.78249073009646]
  構造化文書理解のための単純で効果的な言語非依存型レイアウト変換器(LiLT)を提案する。 LiLTは単一の言語の構造化ドキュメント上で事前訓練され、その後、他の言語で直接微調整される。 8言語の実験結果から、LiLTは様々なダウンストリームベンチマークにおいて、競争力や優れたパフォーマンスを達成可能であることが示されている。
  論文  参考訳（メタデータ） (2022-02-28T10:33:01Z)
• Multilevel Text Alignment with Cross-Document Attention [59.76351805607481]
  既存のアライメントメソッドは、1つの事前定義されたレベルで動作します。 本稿では,文書を文書間注目要素で表現するための階層的アテンションエンコーダを予め確立した新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2020-10-03T02:52:28Z)
• Document-level Neural Machine Translation with Document Embeddings [82.4684444847092]
  この研究は、複数の形式の文書埋め込みの観点から、詳細な文書レベルのコンテキストを活用することに重点を置いている。 提案する文書認識NMTは,大域的および局所的な文書レベルの手がかりをソース端に導入することにより,Transformerベースラインを強化するために実装されている。
  論文  参考訳（メタデータ） (2020-09-16T19:43:29Z)

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。