論文の概要: Statistical Machine Translation Systems of English-Pnar Language Pair : Some Insights of the Emperical Study
- arxiv url: http://arxiv.org/abs/2608.23120v1
- Date: Mon, 24 Aug 2026 11:29:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.034996
- Title: Statistical Machine Translation Systems of English-Pnar Language Pair : Some Insights of the Emperical Study
- Title（参考訳）: 英語対の統計的機械翻訳システム : 機械的考察
- Abstract要約: メガラヤのジャイティアヒルズで約0.4百万人が話していたオーストリア語であるPnarは、デジタルコーパスと自然言語処理(NLP)の資源を欠いている。
本稿では,英語とPnar言語対に対する最初の機械翻訳研究について述べる。
- 参考スコア（独自算出の注目度）: 7.0625416160480405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pnar, an Austroasiatic language spoken by approximately 0.4 million people in the Jaintia Hills of Meghalaya, lacks the digital corpora and natural language processing (NLP) resources. This paper presents the first machine translation study for the English and Pnar language pair. Using articles collected from the Wyrta newspaper, we built a parallel corpus comprising of 10,234 sentences and trained phrase-based statistical machine translation (SMT) systems the models using 9,563 parallel corpora under three configurations for each direction using Moses, GIZA++ , KenLM, varying lexicalized reordering and minimum error rate training (MERT) tuning. The models are evaluated on a held out test set of 371 sentences, the best performing system achieves a BLEU score of 14.97 (chrF2: 33.42, TER: 77.60) for Pnar to English and 11.16 (chrF2: 31.38, TER: 93.51) for English to Pnar, establishing the first quantitative benchmark for this language pair. Lexicalized reordering improves translation quality by 3.73 BLEU points for Pnar to English, reflecting the structural shift from the source language's SOV word order to the target language's SVO order, whereas MERT tuning degrades BLEU performance under low resource conditions. Finally, we analyze the remaining translation errors, including morphological out of vocabulary (OOV) words, long-distance reordering and Khasi code mixing and discuss future directions toward neural and multilingual machine translation for Pnar.
- Abstract（参考訳）: メガラヤのジャイティアヒルズで約0.4百万人が話していたオーストリア語であるPnarは、デジタルコーパスと自然言語処理(NLP)の資源を欠いている。
本稿では,英語とPnar言語対に対する最初の機械翻訳研究について述べる。
我々はWyrtaの新聞から収集した記事を用いて,モーゼ,GIZA++,KenLM,様々な語彙化リオーダーと最小誤り率トレーニング(MERT)チューニングを用いて,9,563個の並列コーパスを用いて,10,234の文と訓練されたフレーズベース統計機械翻訳(SMT)システムからなる並列コーパスを構築した。
モデルは371の文からなる保持されたテストセットで評価され、最も優れた性能のシステムは、Pnarから英語に14.97点(chrF2: 33.42, TER: 77.60点)、Pnarから英語に11.16点(chrF2: 31.38, TER: 93.51)のBLEUスコアを達成し、この言語対の最初の定量的ベンチマークを確立した。
Lexicalized reordering は Pnar から英語への変換品質を 3.73 BLEU で改善し、ソース言語の SOV 語順からターゲット言語の SVO 順への構造変化を反映している。
最後に,単語の形式的アウト・オブ・ボキャブラリ (OOV) や長距離リオーダー,Khasi符号の混合など,残りの翻訳誤りを分析し,Pnar のニューラルおよび多言語機械翻訳に向けた今後の方向性について議論する。
関連論文リスト
- M-GATE: Multilingual Grammar, Accuracy in Translation, and Efficiency Benchmark for Large Language Models [0.0]
M-GATE(英語: M-GATE)は、30言語にまたがる言語能力のベンチマークである。
80以上の構成で50以上のモデルを評価しました。
論文 参考訳（メタデータ） (2026-08-04T15:16:05Z) - Towards High-Quality Machine Translation for Kokborok: A Low-Resource Tibeto-Burman Language of Northeast India [0.0]
コクボロクMT(KokborokMT)は、インド・トリプラ州で主に話されているチベット・ビルマ語(英語版)の言語であるコクボロク(ISO 639-3)の高品質なニューラルマシン翻訳(NMT)システムである。
我々は,NLLB-200蒸留600Mモデルを36,052文対からなる多ソース並列コーパス上で微調整する。
我々の最良のシステムは、事前に公表された結果よりも大幅に改善されたテストセット上でのBLEUスコア17.30と38.56を達成する。
論文 参考訳（メタデータ） (2026-03-28T18:20:13Z) - Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech [61.759910921200834]
言語間の文エンコーダは通常、数百の言語をカバーしている。
我々はOmniSONARを紹介した。OmniSONARは全言語、言語横断、言語横断の文埋め込みモデルである。
論文 参考訳（メタデータ） (2026-03-17T14:47:35Z) - A Picture is Worth a Thousand (Correct) Captions: A Vision-Guided Judge-Corrector System for Multimodal Machine Translation [0.02916558661202723]
本稿では,自動誤り検出と修正により,トレーニングデータの品質問題に対処する2段階のアプローチを提案する。
提案手法では,マルチモーダル言語モデルを利用した視覚強調型判断補正パイプラインを提案する。
このパイプラインは4つの言語にわたる28,928のトレーニング例を処理し、言語ごとの平均17.1%のキャプションを修正している。
論文 参考訳（メタデータ） (2025-11-10T12:02:48Z) - SLRTP2025 Sign Language Production Challenge: Methodology, Results, and Future Work [87.9341538630949]
第1回手話生産チャレンジはCVPR 2025で第3回SLRTPワークショップの一環として開催された。
コンペティションの目的は、音声言語文からスケルトンポーズのシーケンスに変換するアーキテクチャを評価することである。
本稿では,挑戦設計と入賞方法について述べる。
論文 参考訳（メタデータ） (2025-08-09T11:57:33Z) - How Multilingual Are Large Language Models Fine-Tuned for Translation? [13.612090779277281]
並列テキスト上での微調整大型言語モデル(LLM)は、大量の並列データに対して教師あり方式で訓練された専用翻訳システムより優れていることが示されている。
翻訳の微調整は、ゼロショット言語、ゼロショット言語ペア、英語を含まない翻訳タスクのLLMのMT機能にどのように影響しますか?
翻訳の微調整により、ゼロショット言語でも平均で翻訳品質が向上するが、関連する言語ペアによる影響は不均一である。
論文 参考訳（メタデータ） (2024-05-30T22:08:20Z) - Enhancing Translation for Indigenous Languages: Experiments with
Multilingual Models [57.10972566048735]
本稿では,3つの方法のシステム記述について述べる。
M2M-100とmBART50という2つの多言語モデルと1つのバイリンガル(1対1)-ヘルシンキNLPスペイン語翻訳モデルを使いました。
アメリカから11の言語を実験し、使用したセットアップと、達成した成果を報告しました。
論文 参考訳（メタデータ） (2023-05-27T08:10:40Z) - Tencent AI Lab - Shanghai Jiao Tong University Low-Resource Translation
System for the WMT22 Translation Task [49.916963624249355]
本稿では, Tencent AI Lab - Shanghai Jiao Tong University (TAL-SJTU) Low-Resource Translation system for the WMT22 shared taskについて述べる。
我々は、英語$Leftrightarrow$Livonianの一般的な翻訳作業に参加する。
本システムは,M2M100を対象言語に適応させる新しい手法を用いて構築した。
論文 参考訳（メタデータ） (2022-10-17T04:34:09Z) - DEEP: DEnoising Entity Pre-training for Neural Machine Translation [123.6686940355937]
機械翻訳モデルは通常、トレーニングコーパスで稀な名前付きエンティティの翻訳を貧弱に生成することが示されている。
文中の名前付きエンティティ翻訳精度を向上させるために,大量のモノリンガルデータと知識ベースを利用するDenoising Entity Pre-training法であるDEEPを提案する。
論文 参考訳（メタデータ） (2021-11-14T17:28:09Z) - Unsupervised Transfer Learning in Multilingual Neural Machine
Translation with Cross-Lingual Word Embeddings [72.69253034282035]
我々は、言語独立多言語文表現を活用し、新しい言語に容易に一般化する。
複数のロマンス言語を含むベースシステムを用いてポルトガル語から盲目的に復号し、ポルトガル語では36.4 BLEU、ロシア語では12.8 BLEUのスコアを得た。
非反復的逆翻訳によるより実用的な適応アプローチを探求し、高品質の翻訳を生産するモデルの能力を活用します。
論文 参考訳（メタデータ） (2021-03-11T14:22:08Z)
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。