English(EN) Source-Grounded Semantic Reinforcement Learning for Low-Resource Target-Language Generation

新的强化学习框架提升低资源语言生成能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-29 04:00

研究人员开发了一个名为源语言语义强化学习（SG-SRL）的新框架，以改进低资源目标语言的生成。该方法通过将丰富的源语言单语数据转换为跨语言语义监督来加以利用。SG-SRL 使用带有跨语言语义奖励模型的强化学习，然后用少量平行语料库进行精炼，以确保流畅性和简洁性。实验表明，与标准的监督微调相比，该方法在语义基础和事实覆盖方面有所改进。 AI

影响这项研究提供了一种克服低资源语言生成中数据稀缺性问题的新方法，有望改进跨语言交流工具。

排序理由这是一篇详细介绍语言生成新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Zeli Su, Ziyin Zhang, Zewei Pan, Zhou Liu, Dingcheng Huang, Dehan Li, Zhankai Xu, Longfei Zheng, Xiaolu Zhang, Jun Zhou, Wentao Zhang · 2026-05-29 04:00

Source-Grounded Semantic Reinforcement Learning for Low-Resource Target-Language Generation

arXiv:2605.29502v1 Announce Type: cross Abstract: Low-resource target-language generation is often limited by scarce parallel data, while high-resource source-language monolingual data is abundant but difficult to use with standard supervised fine-tuning. We propose Source-Ground…

报道来源 [1]

Source-Grounded Semantic Reinforcement Learning for Low-Resource Target-Language Generation

相关话题