論文の概要: CoPiT: Cognitive Pivot Translation for Digraphic Low-Resource Mongolian in the Traditional Script
- arxiv url: http://arxiv.org/abs/2607.05849v1
- Date: Tue, 07 Jul 2026 05:12:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.403364
- Title: CoPiT: Cognitive Pivot Translation for Digraphic Low-Resource Mongolian in the Traditional Script
- Title（参考訳）: CoPiT: 伝統的なスクリプトにおける図形低リソースモンゴル語に対する認知的なPivot変換
- Abstract要約: モンゴル語はキリル文字と伝統的な文字の両方で書かれている。
伝統的な文字は、非常にデータに精通し、正書法的に曖昧なままであり、直接翻訳の大幅な性能低下につながっている。
本稿では、この内部リソース階層を利用して、Cyrillicスクリプトによる翻訳をルーティングする、ピボットベースの変換パイプラインであるCoPiTを提案する。
- 参考スコア（独自算出の注目度）: 6.45127767060449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-resource languages remain challenging for machine translation, and Mongolian is a representative case. As a digraphic language, Mongolian is written in both Cyrillic and Traditional scripts, which exhibit a severe imbalance in data availability. While the Cyrillic script is relatively well-resourced, the Traditional script remains extremely data-scarce and orthographically ambiguous, leading to substantial performance degradation in direct translation. We propose CoPiT, a cognitively motivated pivot-based translation pipeline that exploits this internal resource hierarchy by routing translation through the Cyrillic script. The pipeline explicitly resolves script-induced ambiguity in the Traditional script before translation, enabling more stable and accurate meaning transfer. Across multiple backbone models and target languages, CoPiT consistently outperforms direct translation, achieving substantial absolute BLEU improvements together with consistent 1.5-1.6x COMET gains. These gains allow strong open-source models to match or outperform GPT-4.1 under comparable evaluation settings. Beyond inference-time improvements, CoPiT enables the construction of synthetic parallel data directly from Traditional-script text, mitigating data scarcity in realistic low-resource scenarios. We release a new multi-script parallel dataset covering Mongolian in both scripts alongside English, Korean, and Russian. All datasets and code are publicly available at https://anonymous.4open.science/r/anonymous_project-76C7.
- Abstract（参考訳）: 低リソース言語は依然として機械翻訳に難題であり、モンゴル語は代表的ケースである。
図形言語としては、モンゴル語はキリル文字と伝統的な文字の両方で書かれており、データの可用性が著しく不均衡である。
キリル文字は比較的よく典拠されているが、伝統的な文字は極めてデータに精通し、正書法的に曖昧なままであり、直接翻訳の大幅な性能低下につながっている。
本稿では,Cyrillicスクリプトによる翻訳をルーティングすることで,この内部リソース階層を活用する認知的動機付け型ピボットベース翻訳パイプラインであるCoPiTを提案する。
パイプラインは翻訳前の従来のスクリプトにおけるスクリプトによる曖昧さを明示的に解決し、より安定して正確な意味伝達を可能にする。
複数のバックボーンモデルとターゲット言語にまたがって、CoPiTは直接翻訳を一貫して上回り、1.5-1.6xのCOMETゲインとともに実質的なBLEUの改善を実現している。
これらのゲインにより、強力なオープンソースモデルは、同等の評価設定の下で、GPT-4.1にマッチまたは性能が向上する。
推論時間の改善以外にも、CoPiTは従来のテキストから直接合成並列データの構築を可能にし、現実的な低リソースシナリオにおけるデータの不足を軽減する。
我々は、モンゴル語を英語、韓国語、ロシア語の両文字でカバーする新しいマルチスクリプト並列データセットをリリースする。
すべてのデータセットとコードはhttps://anonymous.4open.science/r/anonymous_project-76C7で公開されている。
関連論文リスト
- When Simpler Is Better: Evaluating Translation Pipelines for Medieval Latin Manuscripts [3.3982074915384874]
中世ラテン語写本のフルイメージ・トゥ・トランスレーションパイプラインの評価を行った。
ドメイン固有の光学文字認識(OCR)モデルは、汎用VLMと比較して文字誤り率を最大4.3$times$に下げる。
これらの結果は、低リソースの歴史的環境に翻訳システムをデプロイするための新しいベンチマークと実用的なガイダンスを提供する。
論文 参考訳（メタデータ） (2026-07-04T11:58:52Z) - Recovered in Translation: Efficient Pipeline for Automated Translation of Benchmarks and Datasets [2.0199251985015434]
データセットとベンチマークのスケーラブルで高品質な翻訳を可能にするために,完全に自動化されたフレームワークを提案する。
このアプローチを適用して、人気のあるベンチマークとデータセットを8つの東欧と南欧の言語に翻訳します。
論文 参考訳（メタデータ） (2026-02-25T18:58:25Z) - Trans-Zero: Self-Play Incentivizes Large Language Models for Multilingual Translation Without Parallel Data [64.4458540273004]
言語モデル(LLM)の単言語データと本質的な多言語知識のみを活用するセルフプレイフレームワークを提案する。
実験により、このアプローチは大規模並列データに基づいて訓練されたモデルの性能と一致するだけでなく、非英語翻訳の方向でも優れていることが示された。
論文 参考訳（メタデータ） (2025-04-20T16:20:30Z) - RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。
複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
論文 参考訳（メタデータ） (2024-11-21T10:00:52Z) - Breaking the Script Barrier in Multilingual Pre-Trained Language Models with Transliteration-Based Post-Training Alignment [50.27950279695363]
転送性能は、低リソースのターゲット言語が高リソースのソース言語とは異なるスクリプトで書かれている場合、しばしば妨げられる。
本論文は,この問題に対処するために翻訳を用いた最近の研究に触発されて,翻訳に基づくポストプレトレーニングアライメント(PPA)手法を提案する。
論文 参考訳（メタデータ） (2024-06-28T08:59:24Z) - Program Translation via Code Distillation [20.668229308907495]
伝統的な機械翻訳は、教師あり翻訳に並列コーパスに依存している。
最近の教師なしニューラルネットワーク翻訳技術は、データ制限を克服している。
コード蒸留(CoDist)と呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2023-10-17T04:59:15Z) - GECTurk: Grammatical Error Correction and Detection Dataset for Turkish [1.804922416527064]
文法的誤り検出・訂正(GEC)ツールは、母語話者と第二言語学習者にとって有用であることが証明されている。
合成データ生成は、そのようなデータの不足を克服するための一般的なプラクティスである。
トルコ語のためのフレキシブルで総合的なデータ生成パイプラインを提案し、20以上の専門家による文法と綴り規則をカバーしている。
論文 参考訳（メタデータ） (2023-09-20T14:25:44Z) - Exploring Linguistic Similarity and Zero-Shot Learning for Multilingual
Translation of Dravidian Languages [0.34998703934432673]
我々はDravidian-Dravidian多言語翻訳のための単一デコーダニューラルマシン翻訳システムを構築した。
我々のモデルは、50%の言語方向で訓練された場合、大規模ピボットベースモデルの3 BLEU以内のスコアを得る。
論文 参考訳（メタデータ） (2023-08-10T13:38:09Z) - Continual Mixed-Language Pre-Training for Extremely Low-Resource Neural
Machine Translation [53.22775597051498]
我々は,mbart を未熟な言語に効果的に適用するための,継続的な事前学習フレームワークを提案する。
その結果,mBARTベースラインの微調整性能を一貫して改善できることが示された。
私たちのアプローチは、両方の言語が元のmBARTの事前トレーニングで見られる翻訳ペアのパフォーマンスを高めます。
論文 参考訳（メタデータ） (2021-05-09T14:49:07Z) - Consecutive Decoding for Speech-to-text Translation [51.155661276936044]
COnSecutive Transcription and Translation (COSTT)は、音声からテキストへの翻訳に不可欠な手法である。
鍵となるアイデアは、ソースの書き起こしとターゲットの翻訳テキストを1つのデコーダで生成することである。
本手法は3つの主流データセットで検証する。
論文 参考訳（メタデータ） (2020-09-21T10:10:45Z) - SimulEval: An Evaluation Toolkit for Simultaneous Translation [59.02724214432792]
テキストと音声の同時翻訳は、リアルタイムと低レイテンシのシナリオに焦点を当てている。
SimulEvalは、テキストと音声の同時翻訳のための、使いやすくて汎用的な評価ツールキットである。
論文 参考訳（メタデータ） (2020-07-31T17:44:41Z)
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。