論文の概要: Reference-Grounded Data Curation for Instruction-Following Thai-English Machine Translation

• arxiv url: http://arxiv.org/abs/2609.34770v1
• Date: Mon, 28 Sep 2026 09:49:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 03:05:32.93623
• Title: Reference-Grounded Data Curation for Instruction-Following Thai-English Machine Translation
• Title（参考訳）: タイ語機械翻訳の指示追従のための参照型データキュレーション
• Abstract要約: ルールコンプライアンスは、汎用IFデータ拡張手法が対処しない緊張関係である翻訳品質とは対照的である。 本稿では,参照変換から教師付き制約を抽出する2相パイプラインであるReference-Grounded Data Curationを提案する。 フェーズ1では、イングリッシュ・タイ・パラレルプールから最も難しいが学習可能なインスタンスを保持するために、インストラクション・フォロー・ディフューティ(IFD)スコアを適用している。 フェーズ2は、各基準目標から制約を抽出し、すべての制約を満たす世代のみを保持し、1.97M-record Groundedデータセットを生成する。
• 参考スコア（独自算出の注目度）: 0.07696728525672149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instruction-following machine translation (IF-MT) requires respecting prompt-level rules on terminology, formatting, and register. Rule compliance typically trades off against translation quality, a tension that general-purpose IF data augmentation methods do not address. We propose Reference-Grounded Data Curation, a two-phase pipeline that extracts every supervised constraint from a reference translation that already satisfies it, ensuring feasibility by construction. Phase 1 applies Instruction-Following Difficulty (IFD) scoring to retain the hardest-but-learnable instances from an English-Thai parallel pool. Phase 2 extracts constraints from each reference target and keeps only generations satisfying every constraint, yielding the 1.97M-record Grounded dataset. We fine-tune open-weight bases on Grounded to produce ChindaMT, a Thai-English translation family at 4B, 2B, and 0.8B parameters. Under length-controlled pairwise judging, ChindaMT outperforms or matches every same-size baseline at every tier on both plain translation and under explicit rules, reaching up to a 68.4% win rate against the strongest baseline. The recipe transfers cleanly across Qwen generations. We release model weights, the Grounded dataset, and evaluation suites.
• Abstract（参考訳）: 命令追従機械翻訳(IF-MT)は、用語、フォーマット、レジスタに関するプロンプトレベルの規則を尊重する必要がある。 ルールコンプライアンスは一般的に、汎用IFデータ拡張メソッドが対処しない緊張関係である翻訳品質とは対照的に、トレードオフされる。 提案する2相パイプラインであるReference-Grounded Data Curationは,すでに満足している参照翻訳から教師付き制約をすべて抽出し,構築による実現性を確保する。 フェーズ1では、イングリッシュ・タイ・パラレルプールから最も難しいが学習可能なインスタンスを保持するために、インストラクション・フォロー・ディフューティ(IFD)スコアを適用している。 フェーズ2は、各基準目標から制約を抽出し、すべての制約を満たす世代のみを保持し、1.97M-record Groundedデータセットを生成する。 4B, 2B, 0.8Bのタイ語訳語族であるCindaMTを生成するために, Grounded上のオープンウェイトベースを微調整した。 長さ制御によるペアワイズ判定では、CindaMTはすべての同一サイズのベースラインを、各階層で平均翻訳と明示的なルールの両方で上回り、最強のベースラインに対して68.4%の勝利率に達する。 レシピはQwen世代間でクリーンに転送されます。 モデルウェイト、グラウンドドデータセット、評価スイートをリリースしています。

関連論文リスト

• Fine-Tuning LLMs for Translation: General Forgetting Mitigation Does Not Preserve MT-Specific Instruction Following [15.970601737505058]
  並列データ上の微調整された大きな言語モデルは、翻訳品質を向上させるが、破滅的な忘れを生じさせる可能性がある。 これらの知見が機械翻訳(MT)微細チューニングとMT-IF(MT-IF)に移行するかどうかを問う。 まず、Llama 3.2 1Bインストラクタを用いて、次にLlama 3.1 8Bインストラクタを用いて、アラビア語とスペイン語の双方向データに基づいて微調整を行う。
  論文  参考訳（メタデータ） (2026-09-23T17:02:59Z)
• IFMTBench: A Comprehensive Benchmark for Multilingual Translation Instruction Following [20.104094920745315]
  従来のメトリクスは意味的忠実さを捉えるが、制約の順守についての信号はほとんど提供しない。 7つの言語に従う多言語翻訳のベンチマークであるベンチを導入する。
  論文  参考訳（メタデータ） (2026-05-27T09:35:27Z)
• Towards Zero-Shot Multimodal Machine Translation [64.9141931372384]
  本稿では,マルチモーダル機械翻訳システムの学習において,完全教師付きデータの必要性を回避する手法を提案する。 我々の手法はZeroMMTと呼ばれ、2つの目的の混合で学習することで、強いテキストのみの機械翻訳(MT)モデルを適応させることである。 本手法が完全に教師付きトレーニングデータを持たない言語に一般化されることを証明するため,CoMMuTE評価データセットをアラビア語,ロシア語,中国語の3言語に拡張した。
  論文  参考訳（メタデータ） (2024-07-18T15:20:31Z)
• Revamping Multilingual Agreement Bidirectionally via Switched Back-translation for Multilingual Neural Machine Translation [107.83158521848372]
  マルチリンガル・コンセンサス(MA)は、マルチリンガル・ニューラル・マシン翻訳(MNMT)の重要性を示した textbfBidirectional textbfMultilingual textbfAgreement via textbfSwitched textbfBack-textbftranslation (textbfBMA-SBT) これは、訓練済みのMNMTモデルを微調整するための、新規で普遍的な多言語合意フレームワークである。
  論文  参考訳（メタデータ） (2022-09-28T09:14:58Z)
• Rethink about the Word-level Quality Estimation for Machine Translation from Human Judgement [57.72846454929923]
  ベンチマークデータセットであるemphHJQEを作成し、専門家翻訳者が不適切な翻訳語を直接アノテートする。 本稿では,タグリファインメント戦略と木ベースのアノテーション戦略という2つのタグ補正戦略を提案し,TERベースの人工QEコーパスをemphHJQEに近づける。 その結果,提案したデータセットは人間の判断と一致しており,また,提案したタグ補正戦略の有効性も確認できた。
  論文  参考訳（メタデータ） (2022-09-13T02:37:12Z)
• Multilingual Bidirectional Unsupervised Translation Through Multilingual Finetuning and Back-Translation [23.401781865904386]
  本研究では,NMTモデルをトレーニングし,未知の言語を英語と英語の両方に翻訳する2段階のアプローチを提案する。 最初の段階では、事前訓練されたXLM-RおよびRoBERTa重みにエンコーダデコーダモデルを初期化し、40言語で並列データに対して多言語微調整を行う。 第2段階では、この一般化機能を活用して、単言語データセットから合成並列データを生成し、その後、連続した後方翻訳ラウンドで双方向に訓練する。
  論文  参考訳（メタデータ） (2022-09-06T21:20:41Z)
• WangchanBERTa: Pretraining transformer-based Thai Language Models [2.186960190193067]
  大規模で重複したクリーンなトレーニングセット(総サイズ78GB)上で,RoBERTaベースアーキテクチャに基づく言語モデルを事前訓練する。 我々は,タイの最も重要な保存空間に特有のテキスト処理規則を適用する。 また, 単語レベル, 音節レベル, SentencePiece のトークン化を, より小さなデータセットで実験し, 下流の性能に及ぼすトークン化の影響について検討した。
  論文  参考訳（メタデータ） (2021-01-24T03:06:34Z)
• Facebook AI's WMT20 News Translation Task Submission [69.92594751788403]
  本稿では、Facebook AIによるWMT20共有ニュース翻訳タスクの提出について述べる。 資源設定の低さに着目し,タミル語-英語とイヌクティトゥット語-英語の2つの言語ペアに参加する。 我々は、利用可能なデータをすべて活用し、ターゲットのニュースドメインにシステムを適用するという、2つの主要な戦略を用いて、低リソース問題にアプローチする。
  論文  参考訳（メタデータ） (2020-11-16T21:49:00Z)
• Unsupervised Bitext Mining and Translation via Self-trained Contextual Embeddings [51.47607125262885]
  不整合テキストから機械翻訳(MT)のための擬似並列コーパスを作成するための教師なし手法について述べる。 我々は多言語BERTを用いて、最寄りの検索のためのソースとターゲット文の埋め込みを作成し、自己学習によりモデルを適応する。 BUCC 2017 bitextマイニングタスクで並列文ペアを抽出し,F1スコアの最大24.5ポイント増加(絶対)を従来の教師なし手法と比較して観察することで,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-10-15T14:04:03Z)

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。