Fugu-MT 論文翻訳(概要): Query Translation vs. Cross-Lingual Embeddings for Sinhala-Tamil E-Government Information Retrieval

論文の概要: Query Translation vs. Cross-Lingual Embeddings for Sinhala-Tamil E-Government Information Retrieval

arxiv url: http://arxiv.org/abs/2608.12820v1
Date: Thu, 13 Aug 2026 04:49:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.398937
Title: Query Translation vs. Cross-Lingual Embeddings for Sinhala-Tamil E-Government Information Retrieval
Title（参考訳）: Sinhala-TamilE-Government情報検索のためのクエリ変換対言語間埋め込み
Abstract要約: 本稿では,言語間情報検索手法の比較評価を行う。クエリ変換(QT)にはGoogle Translate, NLLB, mBART50, Cross-Lingual Embeddings (CLE)が使用されている。 BGE-M3は最も高いRecall@15を達成し、シンハラ英語では96.2%、タミル英語では95.6%に達した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper presents a comparative evaluation of cross-lingual information retrieval (CLIR) methods for retrieving English government information using Sinhala and Tamil queries. Two CLIR paradigms are investigated: Query Translation (QT), employing Google Translate, NLLB, and mBART50, and Cross-Lingual Embeddings (CLE), using LaBSE, multilingual E5, and BGE-M3, with monolingual English retrieval as the baseline. Experiments are conducted on a human-verified benchmark comprising 500 Sinhala, Tamil, and English question-answer pairs derived from 1,699 segmented contexts from Sri Lanka's Government Information Center (GIC). Retrieval performance is evaluated using Recall@k (k = 1, 3, 5, 10, 15). Monolingual retrieval performs poorly (Recall@15 <10%), whereas all CLIR approaches substantially improve retrieval accuracy. Among them, BGE-M3 achieves the highest Recall@15, reaching 96.2% for Sinhala-English and 95.6% for Tamil-English, outperforming the best QT approach (Google Translate: 92.4% and 93.0%) while avoiding translation overhead. These results demonstrate that multilingual embedding models provide a more effective and scalable solution for cross-lingual retrieval-augmented generation (RAG) in low-resource government domains.
Abstract（参考訳）: 本稿では,SinhalaクエリとTamilクエリを用いて,英政府情報を検索するための言語間情報検索(CLIR)手法の比較評価を行う。 Google Translate, NLLB, mBART50, Cross-Lingual Embeddings (CLE), LaBSE, multilingual E5, BGE-M3の2つのCLIRパラダイムをベースラインとして用いたクエリ翻訳(QT)について検討した。実験は、スリランカの政府情報センター(GIC)から1,699のセグメンテーションされたコンテキストから派生した500のSinhala、Tamil、および英国のQ&Aペアからなる人間検証ベンチマークで実施された。 Recall@k (k = 1, 3, 5, 10, 15) を用いて検索性能を評価する。モノリンガル検索は性能が悪く(Recall@15 <10%)、全てのCLIRアプローチでは精度が大幅に向上した。このうち、BGE-M3は最も高いRecall@15を達成し、シンハラ語では96.2%、タミル語では95.6%に達し、翻訳オーバーヘッドを回避しながら最高のQTアプローチ(Google翻訳:92.4%、93.0%)を上回った。これらの結果から,多言語埋め込みモデルは低リソースの政府ドメインにおいて,多言語検索拡張世代(RAG)に対して,より効率的かつスケーラブルなソリューションを提供することが示された。

関連論文リスト

Multilingual Semantic Retrieval for Apple Music Search [0.0]
Apple Musicは、数十の言語で150以上の店舗でリスナーを提供する。この規模では、ミススペル、トランスリテラル、およびクロスランガルクエリによる検索リコールがセッション品質の主要な要因となる。 GTE-multilingual-baseから微調整された305M-パラメータのシームズバイエンコーダに基づく多言語意味検索システムを提案する。
論文参考訳（メタデータ） (2026-07-11T10:00:48Z)
Cross-lingual Relation Extraction with Large Language Models: Zero-Shot, Few-Shot, and Fine-Tuned Evaluation on Romanian [2.929334248463484]
LLMを用いた翻訳パイプラインを用いて,SemEval-2010 Task 8ベンチマークを英語からルーマニア語に翻訳する。我々はGemma 4 31Bをゼロショット、少数ショット、QLoRA微調整構成で評価した。その結果, ルーマニア語では, プロンプトのみの設定で英語に対して3～5ポイント (pp) の減少がみられた。
論文参考訳（メタデータ） (2026-06-30T14:22:46Z)
The Multilingual Curse at the Retrieval Layer: Evidence from Amharic [49.25758237235551]
マルチリンガルベンチマークの強いゼロショットスコアは、現在のエンコーダが多くの言語で確実に転送される証拠としてしばしば考えられている。この仮定は、表現が不十分で形態学的にリッチな言語に当てはまると我々は主張する。我々は,ゼロショット多言語レトリバー,アンハリック細調整多言語レトリバー,単言語多言語レトリバーを比較した。
論文参考訳（メタデータ） (2026-05-23T12:44:30Z)
One Instruction Does Not Fit All: How Well Do Embeddings Align Personas and Instructions in Low-Resource Indian Languages? [1.071318785217926]
インドの12の言語と4つの評価課題にまたがるベンチマークを提示する。 E5-Large-Instructはモノリンガル検索で27.4%、クロスリンガル転送で20.7%のリコール@1を達成している。分類において、LaBSEは75.3%のAUROCを獲得し、校正が強い。
論文参考訳（メタデータ） (2026-01-15T09:10:14Z)
Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval [49.1574468325115]
トレーニング済みのAmharic BERTとRoBERTaのバックボーンをベースとした,Amharic固有の高密度検索モデルを提案する。提案したRoBERTa-Base-Amharic-Embedモデル(110Mパラメータ)は,MRR@10の相対的な改善を17.6%達成する。 RoBERTa-Medium-Amharic-Embed (42M)のようなよりコンパクトな派生型は13倍以上小さいまま競争力を維持している。
論文参考訳（メタデータ） (2025-05-25T23:06:20Z)
Bridging the Gap: Enhancing LLM Performance for Low-Resource African Languages with New Benchmarks, Fine-Tuning, and Cultural Adjustments [0.9214083577876088]
本稿では,8つの低リソースアフリカ言語において,約100万の人文翻訳語を新たにベンチマークデータとして生成する。我々のベンチマークはウィノグランデの翻訳とMMLUの3つのセクション(大学医学、臨床知識、ウイルス学)である。翻訳されたベンチマークを用いて、英語とアフリカ語におけるSOTA(State-of-the-art LLM)のパフォーマンスギャップについて報告する。
論文参考訳（メタデータ） (2024-12-16T23:50:21Z)
Cross-lingual Contextualized Phrase Retrieval [63.80154430930898]
そこで本研究では,言語間関係の単語検索を多義的に行うタスクの定式化を提案する。我々は、コントラスト学習を用いて、言語間コンテクスト対応句検索(CCPR)を訓練する。フレーズ検索タスクでは、CCPRはベースラインをかなり上回り、少なくとも13ポイント高いトップ1の精度を達成する。
論文参考訳（メタデータ） (2024-03-25T14:46:51Z)
Zero-Shot Cross-Lingual Reranking with Large Language Models for Low-Resource Languages [51.301942056881146]
アフリカ語における言語間情報検索システムにおいて,大規模言語モデル (LLM) がリランカーとしてどのように機能するかを検討する。私たちの実装は、英語と4つのアフリカの言語(ハウサ語、ソマリ語、スワヒリ語、ヨルバ語)を対象としています。我々は、英語のクェリとアフリカの言葉の文節による言語横断的な格付けについて検討する。
論文参考訳（メタデータ） (2023-12-26T18:38:54Z)
"Knowing When You Don't Know": A Multilingual Relevance Assessment Dataset for Robust Retrieval-Augmented Generation [90.09260023184932]
Retrieval-Augmented Generation (RAG) は、外部の知識源を活用して、事実の幻覚を減らすことで、Large Language Model (LLM) を出力する。 NoMIRACLは18言語にまたがるRAGにおけるLDM堅牢性を評価するための人為的アノテーション付きデータセットである。本研究は,Halucination rate,Halucination rate,Halucination rate,Sorucination rate,Sorucination rate,Sorucination rate,Sorucination rate,Sorucination rate,Sorucination rate,Sr。
論文参考訳（メタデータ） (2023-12-18T17:18:04Z)
Massively Multilingual Shallow Fusion with Large Language Models [62.76735265311028]
複数の言語で浅い融合のための単一多言語言語モデル(LM)を訓練する。 GLaMは、推論中に同様の計算を行う密度の高いLMと比較して、イングランドのロングテールテストのWERを4.4%削減する。多言語浅層融合タスクでは、GLaMは50言語中41言語を改善し、平均相対的なWERの3.85%、最大10%の削減を実現している。
論文参考訳（メタデータ） (2023-02-17T14:46:38Z)
AmericasNLI: Evaluating Zero-shot Natural Language Understanding of Pretrained Multilingual Models in Truly Low-resource Languages [75.08199398141744]
我々は、XNLI(Conneau et al)の拡張である AmericasNLI を提示する。は、アメリカ大陸の10の原住民の言語である。 XLM-Rで実験を行い、複数のゼロショットおよび翻訳ベースのアプローチをテストします。 XLM-Rのゼロショット性能は全10言語で低調であり、平均性能は38.62%である。
論文参考訳（メタデータ） (2021-04-18T05:32:28Z)

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。