用于无监督词翻译的自增强上下文学习

最近的工作表明，虽然大型语言模型 (LLMs) 在少样本设置中表现出强大的词翻译或双语词典归纳 (BLI) 能力，但在没有种子翻译对的无监督场景中，它们仍然无法匹配“传统”基于映射的方法的性能，特别是对于低资源语言。为了应对 LLMs 的这一挑战，我们提出了用于无监督 BLI 的自增强上下文学习 (SAIL)：从零样本提示开始，SAIL 迭代地从 LLM 中诱导出一组高置信度的词翻译对用于上下文学习 (ICL)，然后以 ICL 方式将其重新应用于同一 LLM。我们的方法在两个涵盖广泛语言对的既定 BLI 基准测试上，相较于 LLMs 的零样本提示显示出显著提升，并且在各方面都优于基于映射的基线。除了实现最先进的无监督 BLI 性能外，我们还对 SAIL 进行了全面分析并讨论了其局限性。