論文の概要: LocQE: Principled Domain Adaptation for Localisation Quality Estimation by Leveraging Post-Edits

• arxiv url: http://arxiv.org/abs/2609.18720v1
• Date: Wed, 16 Sep 2026 14:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.836177
• Title: LocQE: Principled Domain Adaptation for Localisation Quality Estimation by Leveraging Post-Edits
• Title（参考訳）: LocQE: 編集後の活用による局所化品質評価のための原則的ドメイン適応
• Abstract要約: 学習した品質推定モデルは、局所化において重要な要因に無関心であることを示す。 機械翻訳を最適化する重要な機能は、単一のセグメントの異なる翻訳を正確にランク付けできるQEモデルである。 本稿では,少数の後処理データを用いて,ドメインギャップを低減するためのファインチューニング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6729108277517128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned quality estimation (QE) models such as COMETKiwi are widespread and work well for general machine translation evaluation. However, they are known to struggle on unseen domains, limiting their performance in a real-world localisation context. We show that they are insensitive to some important factors in localisation, such as whether numbers are translated accurately, or even whether the correct number of spaces and punctuation are preserved in a translation. Further, a key capability for optimisation of machine translation is the ability of QE models to accurately rank different translations of a single segment, which suffers significantly from the domain transfer. In the absence of large-scale direct assessment data, we propose principled fine-tuning approaches to reduce the domain gap with even small amounts of post-editing data. Using a multi-task fine-tuning approach and a simple tokeniser intervention, we create a QE model which proves markedly better at distinguishing preferred post-edits from rejected initial translations in a localisation context. We show that preferences and artificial continuous scores stabilise each other, and argue that to calibrate metrics both in terms of their absolute scores and comparisons between translation of the same source, both types of signal are needed.
• Abstract（参考訳）: COMETKiwiのような学習品質推定(QE)モデルは広く普及しており、一般的な機械翻訳評価に有効である。 しかし、実世界のローカライゼーションの文脈ではパフォーマンスを制限し、目に見えないドメインに苦しむことが知られている。 例えば、数値が正確に翻訳されているか、あるいは正しい空間数や句読点が翻訳に保存されているかなどである。 さらに、機械翻訳を最適化する重要な機能は、単一のセグメントの異なる翻訳を正確にランク付けできるQEモデルである。 大規模な直接評価データがない場合、少数の後処理データを用いて、領域間隙を小さくする原理的な微調整手法を提案する。 マルチタスクの微調整アプローチと単純なトークンソータ介入を用いて、局所化コンテキストにおける拒否された初期翻訳と推奨された後編集を区別する上で、顕著に優れたQEモデルを作成する。 選好と人工的連続スコアが互いに安定していることを示し、その絶対スコアと同一音源の変換の比較の両方でメトリクスを校正するためには、どちらの種類の信号も必要であると主張している。

関連論文リスト

• Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs [51.56484100374058]
  大規模言語モデル(LLM)は目覚ましい多言語流布を示すが、その内部知識表現はハイリソース言語に対して不均等に偏っている。 我々は,これらのバイアスを推論時に緩和できるかどうかを考察し,対象言語でクエリされたかのように,英語の確率モデルに答えるように強制する。 Gemma 3 12Bの実験では、最も強い全体的な介入、効率性のバランス、安全性、ドメイン外の一般化を促すペルソナが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-21T16:15:05Z)
• Toward domain-specific machine translation and quality estimation systems [0.0]
  機械翻訳(MT)と品質推定(QE)は、一般的なドメインではよく機能するが、ドメインミスマッチでは劣化する。 この論文は、データ中心のコントリビューションセットを通じて、MTおよびQEシステムを特殊なドメインに適応する方法を研究する。
  論文  参考訳（メタデータ） (2026-03-26T02:47:40Z)
• Domain-Specific Quality Estimation for Machine Translation in Low-Resource Scenarios [10.17317882426833]
  本研究は,4つの領域(医療,法,観光,一般)と5つの言語対にわたる英語とインデックスの機械翻訳における文レベルQEについて検討する。 クローズドウェイトモデルが単独で強力なパフォーマンスを達成する一方で、プロンプトのみのアプローチはオープンウェイトモデルには脆弱なままである。
  論文  参考訳（メタデータ） (2026-03-07T22:55:25Z)
• Calibrating Translation Decoding with Quality Estimation on LLMs [11.005120269309412]
  本稿では,分布から見た翻訳品質を考慮した仮説のキャリブレーション手法を提案する。 本手法では,大規模言語モデル (LLM) の翻訳は,限られた訓練後に大幅に改善される。 結果として得られた最先端の翻訳モデルは、付随するコードと人間の評価データとともに、10の言語をカバーする。
  論文  参考訳（メタデータ） (2025-04-26T22:38:47Z)
• Alleviating Distribution Shift in Synthetic Data for Machine Translation Quality Estimation [55.73341401764367]
  合成QEデータの分散シフトを緩和する新しいフレームワークであるDCSQEを紹介する。 DCSQEは、参照、すなわち翻訳監督信号を使用して、生成プロセスとアノテーションプロセスの両方をガイドする。 実験により、DCSQEは教師なし設定と教師なし設定の両方でSOTAベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-02-27T10:11:53Z)
• Tailoring Domain Adaptation for Machine Translation Quality Estimation [1.8780017602640042]
  本稿では、堅牢なQEシステム内でのドメイン適応とデータ拡張を組み合わせる。 調査対象としたすべての言語ペアに対して,より優れた言語間推論,ゼロショット学習シナリオにおける優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-04-18T10:36:50Z)
• Non-Parametric Domain Adaptation for End-to-End Speech Translation [72.37869362559212]
  E2E-ST(End-to-End Speech Translation)は、エラー伝播の低減、レイテンシの低減、パラメータの削減などにより注目されている。 本稿では,E2E-STシステムのドメイン適応を実現するために,ドメイン固有のテキスト翻訳コーパスを活用する新しい非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:41:02Z)
• The Case for Translation-Invariant Self-Attention in Transformer-Based Language Models [11.148662334602639]
  既存の言語モデルの位置埋め込みを分析し、翻訳不変性の強い証拠を見出す。 本稿では,トークン間の相対的な位置を解釈可能な方法で記述する翻訳不変自己アテンション(TISA)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T15:56:26Z)

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。