Strojový překlad bez paralelných dat jazykového páru

Odborná definice

Zero-resource machine translation označuje překlad mezi zdrojovým a cielovým jazykem bez přímého paralelného korpusu pro daný jazykový pár. Systém může využit pivotný jazyk, vícejazyčný model, monolingválne korpusy, spetný překlad, společný subword prostor nebo lexikálne zarovnání. V prísnom zero-resource nastavení neexistují párové věty pro cílovou dvojicu, ale model stále využívá data v jednotlivých jazycích nebo v jiných pároch. Kvalitu omezuje doména, písmo, typologická vzdálenost a nerovnováha zdrojů.

Srozumitelné vysvětlení

Pokud nemáte preložené věty mezi slovenčinou a vzdialeným málo zastúpeným jazykem, model se může učit oba jazyky přes angličtinu nebo z velkých samostatných textů. Potom se pokúsi vytvořit společný významový prostor a překládat přímo. Výsledek může zachovat obecný význam, ale selhat při menách, gramatických kategóriách a kultúrnych pojmoch. Automatické metriky navíc nemusí odhalit systematické poškodení menšinového jazyka, proto je důležitá revize rodenými hovoriacimi.

Časté otázky

Je pivotný překlad skutečně zero-resource?

Pro přímý pár ano, pokud neexistují jeho paralelní data. Systém však využívá paralelní korpusy přes tretí jazyk, takže nejde o učení bez zdrojů obecně.

Co je unsupervised machine translation?

Metody se učí z monolingválnych korpusů bez paralelných vět, často přes společné reprezentace, denoising a iteratívny spetný překlad.

Proč je důležitá typologická blízkost?

Podobné slovosledy, morfológia nebo zdielané písmo ulahčují zarovnání. Při vzdialených jazycích je přenos slabší a chybové vzory odlišné.

Jak se hodnotí nízkozdrojový jazyk?

Kromě automatických metrik je třeba lidské hodnocení významu, plynulosti, terminológie, mien a spoločensky citlivých skreslení.

Může velký vícejazyčný model úlohu vyriešit automaticky?

Může poskytnout silný baseline, ale jazyky s malým zastúpením často trpia negatívnym transferom, halucinacemi a nestabilnou ortografiou.

Související pojmy

Zdroje a redakční stopa

Lample et al., Unsupervised Machine Translation

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.