論文の概要: A Factorial Study of Synthetic Data Generation for Low-Resource Machine Translation using Grammar Books
- arxiv url: http://arxiv.org/abs/2607.22376v1
- Date: Fri, 24 Jul 2026 15:03:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.159263
- Title: A Factorial Study of Synthetic Data Generation for Low-Resource Machine Translation using Grammar Books
- Title（参考訳）: 文法書を用いた低リソース機械翻訳のための合成データ生成の要因検討
- Abstract要約: ほとんどの絶滅危惧言語は機械翻訳に必要な並列データを持っていない。
本稿では,大規模言語モデルを用いて文法書から文法規則,例文,語彙を抽出するパイプラインを提案する。
合成データの微調整により,カラマングでは75%,タツチンでは59%,シードデータベースラインでは75%の改善が見られた。
- 参考スコア（独自算出の注目度）: 24.87083042952256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most endangered languages lack the parallel data required for machine translation, despite the existence of descriptive grammar books. We introduce a pipeline that uses large language models to extract grammatical rules, example sentences, and lexicons from grammar books and generate synthetic parallel corpora for fine-tuning-rather than feeding grammar content into prompts at inference time, as in prior work. Validated on three typologically diverse low-resource languages-Kalamang (Papuan), Tuatschin (Romance), and Mandan (Siouan)-we show that fine-tuning on synthetic data improves over seed-data baselines in 75% of configurations for Kalamang and 59% for Tuatschin, with best-case ChrF++ gains of +8.8, +5.3, and +3.3 respectively. Through a systematic factorial study across 96 configurations varying target part-of-speech, retrieval granularity, and sample volume, we identify which factor combinations drive gains and where they break down. Our results demonstrate that static linguistic documentation can be repurposed for machine translation fine-tuning, offering a practical path towards translation tools for severely under-resourced languages.
- Abstract（参考訳）: ほとんどの絶滅危惧言語は、記述文法書が存在するにもかかわらず、機械翻訳に必要な並列データを持たない。
本研究では,大規模言語モデルを用いて文法書から文法規則,例文,語彙を抽出し,文法内容を推論時にプロンプトに入力するのではなく,微調整のための合成並列コーパスを生成するパイプラインを提案する。
カラマン語 (Papuan), Tuatschin (Romance), Mandan (Siouan) の3つの典型的多種多様な低リソース言語で検証した結果, 合成データの微調整はカラマン語では75%, Tuatschinでは59%, ChrF++では+8.8, +5.3, +3.3の順で, 種子データベースラインよりも改良されていることがわかった。
対象音節, 検索粒度, サンプル容積など, 96構成の系統的因子分析により, どの因子の組み合わせが利得を誘導し, どこで分解するかを同定した。
この結果から,機械翻訳の微調整に静的な言語文書を再利用できることが示唆された。
関連論文リスト
- Structural priors for data-efficient language learning [3.3178771329842185]
構造的移動について検討する: 自然言語に有用な先行情報を誘導する非言語データのトレーニングモデル。
我々は、次トーケン予測損失、モデルの重み変化、下流言語ベンチマークによる転送を評価する。
我々は,非言語データが次世代予測の訓練目的の言語データの部分的代用として機能するが,より広範な言語一般化を確実に支援していないと結論づける。
論文 参考訳（メタデータ） (2026-09-10T13:12:48Z) - Reasoning over Grammar: Can Synthetic Linguistic Reasoning Traces Enhance Low-Resource Machine Translation? [49.7935995447581]
我々は,低リソース機械翻訳が言語解析と文法推論の中間段階の構造化の恩恵を受けるか検討する。
本稿では,Universal Dependencies Treebank,Dictionary,Gram-rule Bankから,ステップバイステップの言語推論トレースを自動的に生成するパイプラインを提案する。
その結果,言語的推論の痕跡は推論時ガイダンスとして最も有効であることが示唆された。
論文 参考訳（メタデータ） (2026-06-02T15:36:12Z) - Making Large Language Models Speak Tulu: Structured Prompting for an Extremely Low-Resource Language [1.0742675209112622]
制御プロンプト下では,構造化プロンプトだけで基本的な会話能力を引き出すことができるかを検討する。
我々は、明示的な文法文書、関連する言語からの高確率トークンの抑制のための負の制約、ロマン化標準化、そして自己再生による品質制御された合成データ生成を組み合わせる。
本手法は,85%の精度で語彙汚染を80%から5%に低減する。
論文 参考訳（メタデータ） (2026-02-17T06:20:09Z) - BhashaKritika: Building Synthetic Pretraining Data at Scale for Indic Languages [4.279942349440352]
Indic言語のための合成多言語事前学習データの生成と評価に関する体系的研究を行う。
大規模な合成データセットBhashaKritikaを構築し,10言語で5つの異なる手法を用いて540Bトークンを構成する。
我々は、プロンプト命令と文書のグラウンド化の両方において、言語選択がデータ品質にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2025-11-13T14:12:44Z) - Understanding In-Context Machine Translation for Low-Resource Languages: A Case Study on Manchu [53.437954702561065]
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。
本研究は,辞書,文法書,検索した並列例などの資源の種類が翻訳性能に与える影響を系統的に検討する。
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明らかとなった。
論文 参考訳（メタデータ） (2025-02-17T14:53:49Z) - Large corpora and large language models: a replicable method for automating grammatical annotation [0.0]
英語評価動詞構築における形式的変化の事例研究に応用された方法論的パイプライン「consider X (as) (to be) Y」を紹介する。
少数のトレーニングデータだけで、保留中のテストサンプルで90%以上の精度でモデルに到達します。
本研究は, 文法的構成と文法的変化および変化に関する幅広いケーススタディに対して, 結果の一般化可能性について論じる。
論文 参考訳（メタデータ） (2024-11-18T03:29:48Z) - 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) - T3L: Translate-and-Test Transfer Learning for Cross-Lingual Text
Classification [50.675552118811]
言語間テキスト分類は通常、様々な言語で事前訓練された大規模多言語言語モデル(LM)に基づいて構築される。
本稿では,古典的な「翻訳とテスト」パイプラインを再考し,翻訳と分類の段階を適切に分離することを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:33:22Z) - Decomposed Prompting for Machine Translation Between Related Languages
using Large Language Models [55.35106713257871]
DecoMTは、単語チャンク翻訳のシーケンスに翻訳プロセスを分解する、数発のプロンプトの新しいアプローチである。
DecoMTはBLOOMモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-22T14:52:47Z) - Comparison of Interactive Knowledge Base Spelling Correction Models for
Low-Resource Languages [81.90356787324481]
低リソース言語に対する正規化の推進は、パターンの予測が難しいため、難しい作業である。
この研究は、ターゲット言語データに様々な量を持つニューラルモデルとキャラクタ言語モデルの比較を示す。
我々の利用シナリオは、ほぼゼロのトレーニング例によるインタラクティブな修正であり、より多くのデータが収集されるにつれてモデルを改善する。
論文 参考訳（メタデータ） (2020-10-20T17:31:07Z) - GATE: Graph Attention Transformer Encoder for Cross-lingual Relation and
Event Extraction [107.8262586956778]
言語に依存しない文表現を学習するために、普遍的な依存解析を伴うグラフ畳み込みネットワーク(GCN)を導入する。
GCNは、長い範囲の依存関係を持つ単語をモデル化するのに苦労する。
そこで本研究では,構文的距離の異なる単語間の依存関係を学習するための自己認識機構を提案する。
論文 参考訳（メタデータ） (2020-10-06T20:30:35Z)
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。