論文の概要: Reasoning Before Translation: Enhancing Legal Machine Translation with Structured Reasoning

• arxiv url: http://arxiv.org/abs/2607.19181v1
• Date: Tue, 21 Jul 2026 15:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.462211
• Title: Reasoning Before Translation: Enhancing Legal Machine Translation with Structured Reasoning
• Title（参考訳）: 翻訳前の推論:構造化推論による法律機械翻訳の強化
• Authors: Aixiu An, Michael Jungo, Eloi Eynard, Mark Drenhaus, Andreas Fischer, Jean Hennebert, Sébastien Rumley,
• Abstract要約: 法的領域における法律機械翻訳(NMT)は言語的にも概念的にも要求される課題である。 近年の推論可能な言語モデルの出現は、このような課題に対処する新たな可能性を開く。 我々は,Qwen3.5 4B,Qwen3.5 9B,Gemma 3 12Bなどの小言語モデルを,様々な再学習パラダイムで拡張した。
• 参考スコア（独自算出の注目度）: 0.4266292701694338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural machine translation (NMT) in the legal domain is a linguistically and conceptually demanding task, primarily due to the complexity of legal language and the high level of precision it requires. The recent emergence of reasoning-capable language models opens new possibilities for tackling such challenges. They add to a set of other previously proposed techniques to enhance the translation quality, which includes supervised fine-tuning and reinforcement learning. In this work, we perform a comparison between these various approaches. More particularly, we evaluate small language models such as Qwen3.5 4B, Qwen3.5 9B, and Gemma 3 12B enhanced with various re-training paradigms and compare their performances against frontier reasoning models. We focus on the Swiss legal system, which -- with its unique multilingual statutes -- offers a particularly challenging testbed for reasoning-augmented models. Our results show that the quality of small ``base'' models can be greatly enhanced, and that reinforcement learning with verifiable rewards can be applied to NMT in the legal domain and surpasses the translation quality of supervised fine-tuning. The performance of enhanced small models is close to the one of state-of-the-art reasoning models yet remains inferior. We also note that re-training paradigms yield diminishing returns as model size increase. The code and models are publicly available at https://github.com/aixiuxiuxiu/Legal-MT-SFT-RL.
• Abstract（参考訳）: 法的領域におけるニューラル機械翻訳(NMT)は言語的にも概念的にも要求される課題であり、主に法言語が複雑で精度が高いためである。 最近の推論可能な言語モデルの出現は、このような課題に対処する新たな可能性を開く。 それらは、教師付き微調整と強化学習を含む翻訳品質を高めるための、以前に提案された他の一連のテクニックの追加である。 本研究では、これらの様々なアプローチの比較を行う。 特にQwen3.5 4B,Qwen3.5 9B,Gemma 3 12Bなどの小言語モデルについて,様々な再学習パラダイムで拡張し,その性能をフロンティア推論モデルと比較した。 スイスの法体系は、その独特な多言語法規で、推論が強化されたモデルに特に挑戦的なテストベッドを提供する。 以上の結果から,<base'モデルの小型モデルの品質は大幅に向上し,検証可能な報酬付き強化学習を法域内のNTTに適用し,教師付き微調整の翻訳品質を上回ることが示唆された。 強化された小型モデルの性能は、最先端の推論モデルに近いが、依然として劣っている。 また、モデルサイズの増加に伴い、再学習パラダイムが還元リターンをもたらすことに留意する。 コードとモデルはhttps://github.com/aixiuxiuxiu/Legal-MT-SFT-RLで公開されている。

関連論文リスト

• Unlocking Reasoning Capability on Machine Translation in Large Language Models [57.60641851466707]
  推論指向の大規模言語モデル(RLM)は、明示的な中間推論を生成することにより、数学やコーディングといったタスクに強い利益をもたらす。 WMT24++ベンチマークを用いて,オープンおよびクローズドヘビー級のRCMを系統的に評価した。 明示的な推論を可能にすることは、言語やモデル間の翻訳品質を一貫して低下させる。
  論文  参考訳（メタデータ） (2026-02-16T14:05:59Z)
• Mitigating Catastrophic Forgetting in Language Transfer via Model Merging [16.845734486667226]
  ブランチ・アンド・マージ(BaM)は複数のモデルを反復的にマージする手法である。 BaMは、これが低等級であるがより高い品質の重量変化をもたらすという知見に基づいている。 ブルガリア語とドイツ語の実証研究において、BaMは、マッチングやターゲットドメインの性能の向上を伴いながら、忘れを著しく低減できることを示した。
  論文  参考訳（メタデータ） (2024-07-11T17:32:40Z)
• The Power of Question Translation Training in Multilingual Reasoning: Broadened Scope and Deepened Insights [108.40766216456413]
  大規模言語モデルの英語と非英語のパフォーマンスのギャップを埋めるための質問アライメントフレームワークを提案する。 実験結果から、さまざまな推論シナリオ、モデルファミリー、サイズにわたって、多言語のパフォーマンスを向上できることが示された。 我々は、表現空間、生成された応答とデータスケールを分析し、質問翻訳訓練がLLM内の言語アライメントをどのように強化するかを明らかにする。
  論文  参考訳（メタデータ） (2024-05-02T14:49:50Z)
• On the Analysis of Cross-Lingual Prompt Tuning for Decoder-based Multilingual Model [49.81429697921861]
  多言語自己回帰モデルにおけるパラメータ効率細調整(PEFT)と言語間タスクの相互作用について検討する。 高速チューニングは、微調整よりも低リソース言語の性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-14T00:43:33Z)
• LegaLMFiT: Efficient Short Legal Text Classification with LSTM Language Model Pre-Training [0.0]
  BERTのようなトランスフォーマーベースの大規模言語モデルは、多くのNLPタスクにおいて広範なパフォーマンス改善をもたらした。 法的なNLPでは、BERTベースのモデルが複数のタスクに対して新たな最先端の結果をもたらしている。 LSTMをベースとした軽量言語モデルでは,小さな法定テキスト事前学習コーパスから十分な情報を抽出し,短い法定テキスト分類タスクにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-02T14:45:04Z)
• Comparing the Performance of NLP Toolkits and Evaluation measures in Legal Tech [0.0]
  我々は,事前訓練されたニューラルネットワークモデル,XLNet(autoregressive),BERT(autoencoder)を比較し,分析する。 XLNet Modelは法定オピニオン分類のシーケンス分類タスクで、BERTはNERタスクで、より良い結果を生成する。 bertモデルをさらに法的ドメインに適用するために、ドメイン固有の事前トレーニングと追加の法的語彙を使用します。
  論文  参考訳（メタデータ） (2021-03-12T11:06:32Z)
• Improving Massively Multilingual Neural Machine Translation and Zero-Shot Translation [81.7786241489002]
  ニューラルネットワーク翻訳(NMT)の多言語モデルは理論的には魅力的であるが、しばしばバイリンガルモデルに劣る。 我々は,多言語NMTが言語ペアをサポートするためにより強力なモデリング能力を必要とすることを論じる。 未知のトレーニング言語ペアの翻訳を強制するために,ランダムなオンライン翻訳を提案する。
  論文  参考訳（メタデータ） (2020-04-24T17:21:32Z)

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。