論文の概要: Mind Which Bird You Favour: Parameterizing Adequacy-Fluency Balance in Meta-Evaluation of Machine Translation

• arxiv url: http://arxiv.org/abs/2609.14795v1
• Date: Sun, 13 Sep 2026 21:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.974013
• Title: Mind Which Bird You Favour: Parameterizing Adequacy-Fluency Balance in Meta-Evaluation of Machine Translation
• Title（参考訳）: どの鳥が好きか:機械翻訳のメタ評価におけるアデクシー・フルーレンシーバランスのパラメータ化
• Abstract要約: 本稿では,機械翻訳のメタ評価における等価-周波数バランスの制御方法について述べる。 これらの重みを計算するための理論的保証とプルーニング機構を備えた正確な最適化アルゴリズムを提供する。 その結果, 再重み付け法は, 等価・周波数バランスを効果的に制御し, 内部の整合性を保っていることがわかった。
• 参考スコア（独自算出の注目度）: 3.838715941389577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is a tradeoff in machine translation meta-evaluation between prioritizing alignment with adequacy versus fluency. The balance depends on the combination of translation systems in the meta-evaluation dataset. This system set is a small, filtered sample whose characteristics change heavily across years and language pairs; it does not represent the true system distribution. Consequently, the adequacy-fluency balance is often unrepresentative and subject to change. For sensitive domains, controlling this balance is critical. We expose this balance as a tunable choice. To achieve a target balance, we reweight existing systems while minimizing distortion from uniform weighting, ensuring the evaluated systems remain real and representative. We provide an exact optimization algorithm with theoretical guarantees and pruning mechanisms to compute these weights. To validate meta-evaluation internal consistency, we design a scorer-augmentation framework that establishes a known relative identity for the scorers. Results demonstrate that our reweighting method effectively controls the adequacy-fluency balance and preserves the internal consistency, outperforming prior approaches. Finally, we analyze the performance of popular scorers across a sweep of this parameter.
• Abstract（参考訳）: 機械翻訳におけるメタ評価のトレードオフがある。 バランスはメタ評価データセットにおける翻訳システムの組み合わせに依存する。 このシステムセットは、年と言語ペアの間で特性が大きく変化する小さなフィルタされたサンプルであり、真のシステム分布を表すものではない。 その結果、アダクシー・フルーレンシーバランスはしばしば表現不能であり、変更される。 敏感なドメインでは、このバランスを制御することが重要です。 私たちはこのバランスを調整可能な選択として公開します。 目標バランスを達成するため,一様重み付けによる歪みを最小限に抑えつつ,既存のシステムを再重み付けし,評価されたシステムが現実的かつ代表的であることを保証した。 これらの重みを計算するための理論的保証とプルーニング機構を備えた正確な最適化アルゴリズムを提供する。 メタ評価内部の整合性を検証するために,スコアラーの相対的同一性を確立するスコアラー拡張フレームワークを設計する。 その結果, 再重み付け手法は, 等価・周波数バランスを効果的に制御し, 内部の整合性を保ち, 先行手法より優れていたことを示す。 最後に,このパラメータを網羅して,人気スコアラーの性能を解析する。

関連論文リスト

• FlowBalance: Verifier-Grounded Self-Improvement from On-Policy Reasoning Experience [18.64380706071327]
  FlowBalanceは、完全応答上の正規化分布を学習する検証器による自己改善手法である。 オンラインの軌跡ごとに、同じポリシーの凍結されたトレーニングタイムビューは、特権付きコンテキストを使用してトークンレベルのログ確率ゲインを生成する。 分析では, 群内コントラスト保存, 最小値逆KL特性, 目標報酬の単調検証, 拒否応答に対する偽陽性自己誘導に対する正確な補正が確立された。
  論文  参考訳（メタデータ） (2026-09-03T00:47:11Z)
• Detecting and Mitigating Bias by Treating Fairness as a Symmetry Operation [0.0]
  我々は、バイアスを対称性の破れ演算として定式化し、損失に基づく正規化を対称性の回復機構として実装する。 ノイズ,相関,バイアスのレベルが異なる4つの合成データセットの枠組みを評価する。 このフレームワークは因果グラフの知識を必要とせず、計算的に軽量であり、ビットフリップとして定義可能なあらゆる感度属性に一般化する。
  論文  参考訳（メタデータ） (2026-06-02T09:42:54Z)
• Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings [0.0]
  緩和された公正性制約の下で正確な予測を得るための原則的手法は、ほとんど失われている。 本フレームワークは,エフェックウェアとエフェナウェアの両方を統一し,最適なトランスポートマップを用いて最適な予測関数を特徴付ける。 これらの理論的特徴に基づいて、実世界のベンチマーク上での最先端のベースラインの実装、計算効率、一貫した整合性、あるいは性能の向上を簡易に行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-05-27T09:45:16Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
  本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。 我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。 VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
  論文  参考訳（メタデータ） (2026-04-03T15:19:46Z)
• Robust Unscented Kalman Filtering via Recurrent Meta-Adaptation of Sigma-Point Weights [0.0]
  メタ適応UKF(英: Meta-Adaptive UKF、MA-UKF)は、超パラメータ最適化問題としてシグマ点重みを再構成するフレームワークである。 即時補正に依存する標準適応フィルタとは異なり、我々の手法は測定イノベーションの歴史をコンパクトな潜伏埋め込みに圧縮するためにリカレントコンテキストを用いる。 機動目標に関する数値ベンチマークは、MA-UKFが標準ベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-04T18:27:59Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。