論文の概要: MITRA-lexicon: Lexica of attested translations from Sanskrit into English, Tibetan and Chinese

• arxiv url: http://arxiv.org/abs/2610.25934v1
• Date: Mon, 19 Oct 2026 07:31:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:09:40.56858
• Title: MITRA-lexicon: Lexica of attested translations from Sanskrit into English, Tibetan and Chinese
• Title（参考訳）: MITRAレキシコン:サンスクリット語から英語、チベット語、中国語への翻訳の証明されたレキシカ
• Abstract要約: 我々は、サンスクリットと等価翻訳のスパンアノテーションに基づいて、コーパスグラウンドレキシカのファミリーであるMITRA-lexiconを提示する。 リソースは6つの方向レキシカに2.18百万のワードエントリから構成される。 本稿では,文法アノテーションモデルに基づく多段階パイプライン,微調整された大言語モデル,アライメントを生成する教師/学生設定を提案する。
• 参考スコア（独自算出の注目度）: 0.5833117322405447
• License:
• Abstract: The standard Sanskrit lexica are monumental and indispensable, but they cite their attestations as abbreviated references to editions, without links to the digitized texts now widely available and without a translation of the passage, and they naturally do not reflect translations made after them. To address these gaps, we present MITRA-lexicon, a family of corpus-grounded lexica based on span annotations of translation equivalents with Sanskrit as the pivot: Sanskrit-English, derived from the Mitrasamgraha corpus, as well as Sanskrit-Tibetan and Sanskrit-Chinese, derived from the MITRA-parallel corpus of Buddhist literature. In total, the resource comprises 2.18 million headword entries in six directional lexica. Headwords are lemmas and compounds from silver annotations that follow the Digital Corpus of Sanskrit (DCS). Senses are ranked by frequency, and each of the 10.4 million attestations includes its sentence pair, with character offsets of the word and its equivalent. We propose a multi-step pipeline based on grammatical annotation models, fine-tuned large language models, and a teacher-student setup to produce the alignments. We evaluate the lexica against reference dictionaries and manually corrected gold alignments. We release the lexica and the fine-tuned span annotation model, together with a web interface for looking up headwords and their attested senses.
• Abstract（参考訳）: 標準的なサンスクリット・レクシカは記念碑的かつ欠かせないものであるが、彼らは彼らの証明を版への短縮的な参照として引用し、現在広く利用可能なデジタル化されたテキストへのリンクがなく、また、翻訳の翻訳もない。 これらのギャップに対処するため,サンスクリット語に準ずる翻訳注釈に基づくコーパス接地レキシカの族であるサンスクリット語(サンスクリット語:Mitrasamgraha corpus),サンスクリット語(サンスクリット語:Sanskrit-Tibetan)およびサンスクリット語(サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:Mitrasamgraha corpus,サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンスクリット語:サンス 総じて、このリソースは6つの方向レキシカの2.18百万のキーワードエントリから構成されている。 ヘッドワードは、サンスクリットのデジタルコーパス(DCS)に従う銀のアノテーションの補題と化合物である。 センセージは頻度でランク付けされ、各1040万の証明には、単語の文字オフセットと等価な文字のペアが含まれている。 本稿では,文法アノテーションモデルに基づく多段階パイプライン,微調整された大言語モデル,アライメントを生成する教師/学生設定を提案する。 我々は,レキシカを基準辞書に対して評価し,手動でゴールドアライメントを補正した。 我々は,レキシカと微調整されたスパンアノテーションモデルと,単語とその実証された感覚を検索するWebインターフェースをリリースする。

関連論文リスト

• CIBuzzBench: A Benchmark for Cross-Lingual Understanding of Chinese Internet Buzzwords [63.81514035927655]
  中国インターネットバズワードの言語間理解のための最初のベンチマークであるCIBuzzBenchを紹介する。 CIBuzzBenchは3001の中国語のインターネットバズワードを英語で説明、英語の同義語、カテゴリーラベル、有害なラベルに注釈付けしている。 我々は、英語と中国語の両方のプロンプト設定下で、最先端のプロプライエタリおよび中国語のLLMを評価した。
  論文  参考訳（メタデータ） (2026-09-18T12:57:10Z)
• A Word-Level Digital Reader of the Prasthanatrayi with Sankara's Bhasya: Corpus, Method, and an Open, Offline Reading Aid for the Advaita Vedanta Canon [0.0]
  我々は、サンカラのbhasyaとともに、プラサナトライ全体のオープンで完全にオフラインで単語レベルのデジタルリーダーを提示する。 ルートテキスト(mula)とコメンタリーの両方の単語はクリック可能であり、その分割(padaccheda)、形態解析、光沢を与えるポップアップに解決する。 この資料は13の注釈単位(2,971節、経典、散文節)と95,587の異なる注釈面の国際辞書を網羅している。
  論文  参考訳（メタデータ） (2026-07-08T11:19:59Z)
• Darshana Graph: A Parallel Commentary Corpus for Comparative Indian Philosophy, with Stylometric and Exploratory Graph Analyses [0.0]
  ダルシャナグラフ (Darshana Graph) は、ヒンドゥー教、仏教、ジャイナ教の哲学的伝統にまたがる125,000以上のテキスト記録のコーパスである。 その独特な貢献は、約8,500のヒンドゥー教とジャイナ教の記録の、構造的に独特な部分であり、同じ根本詩や経典が18の歴史的コメンテーターの間で並んだものである。
  論文  参考訳（メタデータ） (2026-06-16T17:49:15Z)
• SiPaKosa: A Comprehensive Corpus of Canonical and Classical Buddhist Texts in Sinhala and Pali [0.0]
  SiPaKosa は Sinhala と Pali doctrinal の総括コーパスで、約 786K 文と 9.25M ワードからなる。 コーパスは、Google Document AIを歴史写本に使用して、高品質なOCRによって作成された。 10の事前学習モデルを用いて言語モデルの性能を評価し, コーパス上でのパープレキシティスコアは1.09から189.67である。
  論文  参考訳（メタデータ） (2026-03-31T03:36:46Z)
• Decoupled Vocabulary Learning Enables Zero-Shot Translation from Unseen Languages [55.157295899188476]
  ニューラルマシン翻訳システムは、異なる言語の文を共通の表現空間にマッピングすることを学ぶ。 本研究では、この仮説を未知の言語からのゼロショット翻訳により検証する。 この設定により、全く見えない言語からのゼロショット翻訳が可能になることを実証する。
  論文  参考訳（メタデータ） (2024-08-05T07:58:58Z)
• Sāmayik: A Benchmark and Dataset for English-Sanskrit Translation [30.315293326789828]
  S=amayikは、現代の散文で書かれた53,000の英サンスクリット文からなるデータセットである。 S=amayikは、言語教材、テキスト教育教育、オンラインチュートリアルなど、さまざまな分野からキュレーションされている。
  論文  参考訳（メタデータ） (2023-05-23T12:32:24Z)
• Translate to Disambiguate: Zero-shot Multilingual Word Sense Disambiguation with Pretrained Language Models [67.19567060894563]
  事前訓練された言語モデル(PLM)は、豊富な言語間知識を学習し、多様なタスクでうまく機能するように微調整することができる。 C-WLT(Contextual Word-Level Translation)を用いた言語間単語感覚の捉え方の検討を行った。 モデルのサイズが大きくなるにつれて、PLMはより言語間単語認識の知識をエンコードし、WLT性能を改善するためのコンテキストを良くする。
  論文  参考訳（メタデータ） (2023-04-26T19:55:52Z)
• Exposing Cross-Lingual Lexical Knowledge from Multilingual Sentence Encoders [85.80950708769923]
  本稿では,多言語言語モデルを用いて,それらのパラメータに格納された言語間語彙の知識量を探索し,元の多言語LMと比較する。 また、この知識を付加的に微調整した多言語モデルにより公開する新しい手法も考案した。 標準ベンチマークの大幅な向上を報告します。
  論文  参考訳（メタデータ） (2022-04-30T13:23:16Z)
• Learning Contextualised Cross-lingual Word Embeddings and Alignments for Extremely Low-Resource Languages Using Parallel Corpora [63.5286019659504]
  そこで本稿では,小さな並列コーパスに基づく文脈型言語間単語埋め込み学習手法を提案する。 本手法は,入力文の翻訳と再構成を同時に行うLSTMエンコーダデコーダモデルを用いて単語埋め込みを実現する。
  論文  参考訳（メタデータ） (2020-10-27T22:24:01Z)
• Processing South Asian Languages Written in the Latin Script: the Dakshina Dataset [9.478817207385472]
  本稿では,ラテン文字とネイティブ文字の両方からなる新たな資料であるDakshinaデータセットについて述べる。 1) ネイティブスクリプトウィキペディアのテキスト、2) ロマン化レキシコン、3) 言語のネイティブスクリプトと基本ラテン文字の両方の完全な文並列データを含む。
  論文  参考訳（メタデータ） (2020-07-02T14:57:28Z)
• Multi-SimLex: A Large-Scale Evaluation of Multilingual and Cross-Lingual Lexical Semantic Similarity [67.36239720463657]
  Multi-SimLexは、12の異なる言語のデータセットをカバーする大規模な語彙リソースと評価ベンチマークである。 各言語データセットは、意味的類似性の語彙的関係に注釈付けされ、1,888のセマンティック・アライメント・コンセプト・ペアを含む。 言語間の概念の整合性のため、66の言語間セマンティック類似性データセットを提供する。
  論文  参考訳（メタデータ） (2020-03-10T17:17:01Z)

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。