論文の概要: Translating the Translator: Decomposing the Cost of English-Forced Inter-Agent Communication
- arxiv url: http://arxiv.org/abs/2609.15079v1
- Date: Mon, 14 Sep 2026 05:51:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.112059
- Title: Translating the Translator: Decomposing the Cost of English-Forced Inter-Agent Communication
- Title（参考訳）: 翻訳者翻訳:英語-フォース間通信のコストを分解する
- Abstract要約: 英語を通したエージェント間通信は、ネイティブ言語によるマルチエージェント実行と比較して、Exact Matchの精度を13.0パーセント(スペイン)で30.6ポイント(ヒンディー語)まで下げる。
これらの結果から,ソースとターゲット言語が典型的には離れている場合,エージェントフレームワークにおけるネイティブ言語ルーティングの魅力が示唆された。
- 参考スコア（独自算出の注目度）: 3.6466632641918113
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent LLM architectures, such as LangChain and AutoGen, largely assume English as the lingua franca for internal inter-agent communication, even when the end-user task is non-English. We fill this gap by evaluating a two-agent extraction-answer core, with an additional back-translation agent in the English-forced condition, across four typologically diverse languages (Hindi, Chinese, Spanish, Arabic; n = 300 per language) using the Aya-23-8B model. We compare a native-language pipeline to an English-forced one (which incorporates a final back-translation step from English to the user's language). We discover a statistically significant English-Forcing Tax (surviving a strict Bonferroni correction) that isolates the cost of English routing from general multi-agent orchestration overhead. Forcing inter-agent communication through English reduces Exact Match accuracy by 13.0 percentage points (Spanish) up to 30.6 percentage points (Hindi) compared to native-language multi-agent execution. Using chrF scores as a diagnostic measure of English-reference lexical overlap, we find that lower overlap is strongly associated with pipeline failure, consistent with translation loss being an important contributor to the observed performance drop. These findings suggest a compelling case for native-language routing in agent frameworks when the source and target languages are typologically distant, reducing a compounding translation tax.
- Abstract（参考訳）: LangChain や AutoGen のようなマルチエージェント LLM アーキテクチャは、エンドユーザータスクが英語ではない場合でも、英語を内部エージェント間通信の言語フランカとみなしている。
このギャップを,Aya-23-8Bモデルを用いて,4言語(ヒンディー語,中国語,スペイン語,アラビア語,n=300)にまたがって,英語力条件の逆翻訳エージェントを付加した2エージェント抽出回答コアの評価により埋める。
ネイティブ言語パイプラインを英語で強化されたパイプラインと比較する(英語からユーザの言語への最後のバックトランスレーションステップが組み込まれている)。
統計的に有意な英語強制税(厳格なボニフェロニ補正を継続)を発見し、一般的なマルチエージェントオーケストレーションオーバーヘッドから英語ルーティングのコストを分離する。
英語を通したエージェント間通信は、ネイティブ言語によるマルチエージェント実行と比較して、Exact Matchの精度を13.0パーセント(スペイン)で30.6ポイント(ヒンディー語)まで下げる。
chrFスコアを英語と英語の語彙の重なりの診断尺度として用いた結果,低重なりがパイプラインの故障と強く関連していることが判明した。
これらの結果から,ソースとターゲット言語が典型的には離れており,複合翻訳税を減らしたエージェントフレームワークにおいて,ネイティブ言語ルーティングが魅力的な事例であることが示唆された。
関連論文リスト
- Choosing the Right Language Mode at Inference Time for Multilingual Reliability [3.6095388702618405]
大規模な言語モデルは、低級から中級の言語では推論に苦慮することが多い。
以前の研究によると、翻訳は、より強い英語中心の表現へのアクセスを支援することで、多言語推論を改善することができる。
これは、多言語の大言語モデルが確実に推論するためにどのくらいの翻訳が必要かという、中心的な疑問を提起する。
論文 参考訳（メタデータ） (2026-09-04T02:36:26Z) - GAIA-v2-LILT: Multilingual Adaptation of Agent Benchmark beyond Translation [2.845609289542755]
エージェントベンチマークは英語中心であり、多言語版は機械翻訳(MT)と限定的な後編集で構築されることが多い。
エージェント的タスクの場合、この最小限のワークフローは、クエリー・アンサーのミスアライメントや文化的にターゲット外のコンテキストを通じて、ベンチマークの妥当性を破ることができます。
自動チェックと人的レビューの両方を用いて、明示的な機能的アライメント、文化的アライメント、難易度キャリブレーションにより、英語のベンチマークを複数の言語に適応するための洗練されたワークフローを提案する。
論文 参考訳（メタデータ） (2026-04-27T19:11:21Z) - Paths Not Taken: Understanding and Mending the Multilingual Factual Recall Pipeline [36.2731426595852]
その結果,多言語大言語モデル (LLM) は,他の言語に比べて,実際のリコールタスクにおいて有意に優れた性能を示すことがわかった。
事実的リコールのための信頼性の高い英語中心のメカニズムの関与が不十分なことと、ターゲット言語への英語からの誤った翻訳である。
我々の介入によって、最低パフォーマンス言語では、リコール精度が35%以上向上しました。
論文 参考訳（メタデータ） (2025-05-26T22:20:45Z) - Language Fusion for Parameter-Efficient Cross-lingual Transfer [21.96231169571248]
Fusion forLanguage Representations (FLARE)は、英語以外の言語における表現品質と下流のパフォーマンスを向上させる新しい手法である。
FLAREは、低ランク (LoRA) アダプタ内でのソースおよびターゲット言語表現を、軽量線形変換を用いて統合する。
FLAREの有効性を実証するためには、自然言語推論、質問応答、感情分析など、言語横断の自然言語理解タスクにまたがる一連の実験がある。
論文 参考訳（メタデータ） (2025-01-12T18:02:29Z) - Breaking the Script Barrier in Multilingual Pre-Trained Language Models with Transliteration-Based Post-Training Alignment [50.27950279695363]
転送性能は、低リソースのターゲット言語が高リソースのソース言語とは異なるスクリプトで書かれている場合、しばしば妨げられる。
本論文は,この問題に対処するために翻訳を用いた最近の研究に触発されて,翻訳に基づくポストプレトレーニングアライメント(PPA)手法を提案する。
論文 参考訳（メタデータ） (2024-06-28T08:59:24Z) - Translation Errors Significantly Impact Low-Resource Languages in
Cross-Lingual Learning [26.49647954587193]
本研究では,翻訳の不整合が存在し,XNLIの低リソース言語に不均等に影響を及ぼすことを示す。
このような矛盾を識別するために,人間翻訳テキストと機械翻訳ターゲットテキストにおけるゼロショット評価の差を計測する手法を提案する。
また,Hindi と Urdu という2つの言語に対して,人間が翻訳したテストインスタンスを手動で再注釈することで,翻訳エラーが存在することも確認した。
論文 参考訳（メタデータ） (2024-02-03T08:22:51Z) - Analyzing and Reducing the Performance Gap in Cross-Lingual Transfer
with Fine-tuning Slow and Fast [50.19681990847589]
既存の研究では、1つの(ソース)言語で微調整された多言語事前学習言語モデルが、非ソース言語の下流タスクでもうまく機能していることが示されている。
本稿では、微調整プロセスを分析し、パフォーマンスギャップがいつ変化するかを分析し、ネットワークの重みが全体のパフォーマンスに最も影響するかを特定する。
論文 参考訳（メタデータ） (2023-05-19T06:04:21Z) - On the Off-Target Problem of Zero-Shot Multilingual Neural Machine
Translation [104.85258654917297]
識別対象言語信号の符号化に失敗すると、オフターゲットとなり、語彙距離が近くなることが判明した。
多言語語彙構築のための言語認識語彙共有(LAVS)を提案する。
我々は11言語で多言語機械翻訳ベンチマーク実験を行った。
論文 参考訳（メタデータ） (2023-05-18T12:43:31Z) - Delving Deeper into Cross-lingual Visual Question Answering [115.16614806717341]
標準学習装置に簡単な修正を加えることで、モノリンガル英語のパフォーマンスへの移行ギャップを大幅に減らすことができることを示す。
多言語マルチモーダル変換器の多言語間VQAを多言語間VQAで解析する。
論文 参考訳（メタデータ） (2022-02-15T18:22:18Z) - On Cross-Lingual Retrieval with Multilingual Text Encoders [51.60862829942932]
言語間文書・文検索タスクにおける最先端多言語エンコーダの適合性について検討する。
教師なしのアドホック文と文書レベルのCLIR実験でそれらの性能をベンチマークする。
我々は、ゼロショット言語とドメイン転送CLIR実験のシリーズにおける英語関連データに基づいて、教師付き方式で微調整された多言語エンコーダの評価を行った。
論文 参考訳（メタデータ） (2021-12-21T08:10:27Z) - From Zero to Hero: On the Limitations of Zero-Shot Cross-Lingual
Transfer with Multilingual Transformers [62.637055980148816]
言語モデリングの目的によって事前訓練された多言語トランスフォーマーは、NLPの事実上のデフォルト転送パラダイムとなっている。
膨大な多言語変換器による言語間変換は,リソースリーンシナリオや遠方言語では著しく効果が低いことを示す。
論文 参考訳（メタデータ） (2020-05-01T22:04:58Z) - Self-Attention with Cross-Lingual Position Representation [112.05807284056337]
位置符号化(PE)は、自然言語処理タスクの単語順序情報を保存し、入力シーケンスの固定位置インデックスを生成する。
語順が異なるため、言語間の位置関係をモデル化することは、SANがこの問題に取り組むのに役立つ。
我々は、入力文のバイリンガル認識潜在構造をモデル化するために、言語間位置表現によるSANを拡大する。
論文 参考訳（メタデータ） (2020-04-28T05:23:43Z)
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。