PulseAugur
实时 10:14:09
English(EN) Embedding Initialization for Unseen Low-resource Languages in Multilingual NMT: A Case Study on Limbum-English Translation

新方法改进了NMT模型中低资源语言的翻译

研究人员开发了一种新方法,用于在多语言神经机器翻译模型中为低资源语言初始化嵌入。该方法通过对模型中已有的类型学上相关的语言的嵌入进行平均,并在林布姆-英语翻译上进行了测试。新方法取得了与使用单语代理相当的性能,显著优于从头开始训练的Transformer,并展示了多语言迁移对于极低资源语言的强大作用。 AI

影响 这项研究为改进大型多语言NMT模型中数千种不支持的语言的翻译质量提供了一种有原则的方法。

排序理由 该集群基于一篇学术论文,详细介绍了一种改进低资源语言机器翻译的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法改进了NMT模型中低资源语言的翻译

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Samiratu Ntohsi, Neza David Tuyishimire, Anesu Kafesu, Marvin Ogore, Samuel Oluwajunwonlo Babalola, Oche Ankeli ·

    多语言神经机器翻译中未见低资源语言的嵌入初始化:以Limbum-英语翻译为例

    arXiv:2608.07629v1 Announce Type: new Abstract: Multilingual neural machine translation models such as NLLB-200 cover 200 languages but leave thousands unsupported, including most Grassfields Bantu languages of Cameroon. When fine-tuning these models for an unseen language, pract…