精选理由
低资源语言NMT研究者终于有了一个不依赖网络爬虫的可行方案——用社区词典合成数据+LoRA微调就能启动翻译模型，做濒危语言数字化的团队值得关注。
该研究针对数字低资源土著语言的神经机器翻译（NMT）数据极度稀缺问题，提出了一种无需抓取目标语言平行文本的数据合成方法。以Q'eqchi'玛雅语为例，研究者将社区词典转化为大规模合成语料，并采用LoRA适配器对mT5-base模型进行参数高效微调（PEFT）。域内评估显示模型能有效学习复杂黏着形态和VOS语序（BLEU 42.02），但面对自然语言时存在结构-语义鸿沟（BLEU 0.59），模型过度拟合合成模板的结构约束。消融实验表明多任务学习导致负迁移，LoRA适配器参数容量有限，辅助任务与主任务竞争。最终结论是合成引导是高效的结构入门，但需要真实数据进行课程学习以完善语义。
AI 翻译 · 中文
该研究针对数字低资源土著语言的神经机器翻译（NMT）数据极度稀缺问题，提出了一种无需抓取目标语言平行文本的数据合成方法。以Q'eqchi'玛雅语为例，研究者将社区词典转化为大规模合成语料，并采用LoRA适配器对mT5-base模型进行参数高效微调（PEFT）。域内评估显示模型能有效学习复杂黏着形态和VOS语序（BLEU 42.02），但面对自然语言时存在结构-语义鸿沟（BLEU 0.59），模型过度拟合合成模板的结构约束。消融实验表明多任务学习导致负迁移，LoRA适配器参数容量有限，辅助任务与主任务竞争。最终结论是合成引导是高效的结构入门，但需要真实数据进行课程学习以完善语义。
Neural machine translation for digitally low-resource Indigenous languages is often hindered by extreme data scarcity, prompting reliance on extractive web-scraping. To ensure data sovereignty, this study introduces a da…