当你的表亲拥有正确连接：面向相关且数据不平衡语言的无人监督双语词典归纳

大多数现有的无人监督双语词典归纳（BLI）方法依赖于高质量的静态或上下文嵌入，需要两种语言的大量单语语料库。然而，无人监督 BLI 最有可能对低资源语言（LRLs）有用，而此类语言并无大型数据集可用。我们通常感兴趣的是针对相关的高资源语言（HRLs）为 LRLs 构建双语资源，从而导致 BLI 的极度不平衡数据设置。我们首先表明，文献中最先进的 BLI 方法对于严重数据不平衡的语言对表现出近乎零的性能，表明此类设置需要更鲁棒的技术。然后我们提出一种用于相关 LRL 与 HRL 之间无人监督 BLI 的新方法，其仅需要在 HRL 的掩码语言模型上进行推理，并证明了其在真正低资源语言博杰普尔语和马加希语（每种单语 token 少于 5M）相对于印地语的有效性。我们进一步在（中资源）马拉地语和尼泊尔语上呈现实验，以按资源范围比较方法性能，并发布我们针对五种低资源印度语言（博杰普尔语、马加希语、阿瓦迪语、布拉杰语和迈蒂利语）相对于印地语所得的词典。