低资源场景下的领域特定质量估计机器翻译
计算与语言
2026-03-10 v1 人工智能
机器学习
摘要
质量估计（QE）对于评估无参考设置下的机器翻译质量至为重要，尤其是针对领域特定和低资源语言场景。在本文中，我们针对英语到印度语言（Indic）机器翻译中的四个领域（医疗、法律、旅游和通用）和五个语言对，研究句子级 QE。我们系统比较了 zero-shot、few-shot 和以指南为导向的提示方法在所选封闭权重和开放权重大型语言模型（LLM）之间的表现。研究结果表明，尽管封闭权重模型仅通过提示就能实现出色的性能，但仅靠提示的做法在开放权重模型中仍显脆弱，尤其是在高风险领域。为此，我们采用 ALOPE 框架进行 LLM-based QE，该框架使用附加回归头的低秩适应（Low-Rank Adaptation）方法，针对选定的中间 Transformer 层进行适配。我们还将 ALOPE 扩展于最近提出的低秩乘法适应（LoRMA）。我们的结果表明，中间层适配始终能改善 QE 性能，在语义复杂的领域中获得显著提升，指明了通往更稳健 QE 实践场景的路径。我们公开发布代码和领域特定 QE 数据集以支持进一步研究。
引用
@article{arxiv.2603.07372,
title = {Domain-Specific Quality Estimation for Machine Translation in Low-Resource Scenarios},
author = {Namrata Patil Gurav and Akashdeep Ranu and Archchana Sindhujan and Diptesh Kanojia},
journal= {arXiv preprint arXiv:2603.07372},
year = {2026}
}
备注
21 pages, 7 tables, 7 figures