[논문 리뷰] Lost in Translation: Analysis of Information Loss During Machine Translation Between Polysynthetic and Fusional Languages

Manuel Mager, Elisabeth Mager외 3명|arXiv (Cornell University)|2018. 07. 01.

Natural Language Processing Techniques참고 문헌 21인용 수 14

한 줄 요약

이 논문은 다형어(나와틀, 위카리카, 요렘 노끼)와 분열어(스페인어) 언어 간 기계 번역에서의 정보 손실을 분석하며, 어근 수준의 정렬을 통해 분석한다. 특히 합성어의 일치, 시점, 시각 등 세분화된 형태소적 특징이 자주 생략됨을 규명하였으며, 복잡한 형태구문적 구조로 인해 위카리카에서 정보 손실가장 높음을 확인하였다. 이는 저자원 신경 기계 번역 시스템에 대한 핵심 과제를 드러낸다.

ABSTRACT

Machine translation from polysynthetic to fusional languages is a challenging task, which gets further complicated by the limited amount of parallel text available. Thus, translation performance is far from the state of the art for high-resource and more intensively studied language pairs. To shed light on the phenomena which hamper automatic translation to and from polysynthetic languages, we study translations from three low-resource, polysynthetic languages (Nahuatl, Wixarika and Yorem Nokki) into Spanish and vice versa. Doing so, we find that in a morpheme-to-morpheme alignment an important amount of information contained in polysynthetic morphemes has no Spanish counterpart, and its translation is often omitted. We further conduct a qualitative analysis and, thus, identify morpheme types that are commonly hard to align or ignored in the translation process.

연구 동기 및 목표

• 다형어에서 분열어로의 기계 번역 과정에서의 정보 손실 정도와 성격을 조사하며, 형태소적 풍부성과 저자원 환경을 중심으로 한다.
• 특히 형태적으로 복잡한 다형어 언어에서 번역 과정에서 자주 생략되거나 잘못 정렬되는 형태소 유형을 규명한다.
• 다형어 동사의 정보 인코딩 방식과 분열어 문법 간의 불일치로 인한 번역 실패의 언어학적 이유를 이해한다.
• 머리표시, 통합, 일치 체계 등 형태구문적 이질성의 영향을 번역 품질과 정렬 정확도에 미치는 영향을 평가한다.
• 현재 정렬 및 번역 파이프라인의 구조적·의미적 격차를 진단하여, 보다 견고한 저자원 기계 번역 시스템 개발을 지원한다.

제안 방법

• 세 개의 다형어(나와틀, 위카리카, 요렘 노끼)와 스페인어 언어 쌍 간의 평행 문장 간 어근 수준 정렬을 위해 GIZA++를 활용하였다.
• 정렬 결과를 분석하여 일치하지 않는 형태소를 규명하였으며, 일치, 시각, 시점, 논의 기능 등의 형태구문적 범주를 중심으로 분석하였다.
• 일치하지 않는 형태소의 질적 분석을 통해 번역에 저항하는 언어학적 특징을 분류하였으며, 이는 목적어 일치, 할당자, 선언적 기능 등을 포함한다.
• 유토-나와 언어군의 자료를 활용하여, 나와틀(아카소치틀란), 위카리카(위치올), 요렘 노끼(마요) 등의 방언을 포함하여 언어적 다양성과 관련성을 확보하였다.
• 원천 다형어 형태소와 목표 스페인어 토큰을 비교하여 번역 품질을 평가하였으며, 의미적·구문적 정보가 손실되는 지점을 규명하였다.
• 이 언어들에서 흔히 볼 수 있는 머리가 끝에 오는 SOV 구조와 동사 통합 패턴을 중심으로 분석하여, 정보 손실의 구조적 원인을 규명하였다.

실험 결과

연구 질문

• RQ1 다형어에서 분열어로 번역할 경우, 일반적으로 목표 텍스트에 인코딩되지 않는 정보는 무엇인가?
• RQ2 형태구문적 이질성 측면에서 볼 때, 관찰된 정보 손실은 어떻게 언어학적으로 설명될 수 있는가?
• RQ3 일치, 시각, 시점 등의 형태소 유형이 특히 번역하거나 정렬하기 어려운가?
• RQ4 형태적 복잡성과 문법적 구조(예: 통합, 머리표시)가 정렬 실패와 번역 오류에 어느 정도 기여하는가?
• RQ5 참조, 개별화, 통일성 등의 논의 수준 기능이 번역 과정에서 정보 손실에 어떤 역할을 하는가?

주요 결과

• 다형어 언어의 상당수 형태소—특히 일치, 시각, 시점 표시어—는 스페인어에 직접적인 대응어가 없으며, 번역 과정에서 자주 생략된다.
• 위카리카에서는 'p+' 형태소(할당자)가 가장 정렬되지 않았고, 이어 목적어 일치 형태소 'a'와 'ne', 시점 표시어 'u'와 'e'가 뒤이었다. 이는 높은 구조적 이질성을 시사한다.
• 요렘 노끼에서는 'ka'와 'k' 형태소(실현 표시어)와 'si' 명사 일치 형태소가 끈임없이 정렬되지 않아, 문법적 관계 인코딩의 과제를 반영한다.
• 나와틀에서는 목적어 일치 형태소 'k'와 'ki', 명사 일치 형태소 'ni'와 'ti'가 빈번히 손실되었으며, 이는 의미적 구체성에도 불구하고 그렇다.
• 연구에서 습관적 시각, 시점, 논의 통일성 인코딩 형태소가 체계적으로 부족하게 번역됨을 확인하였으며, 이는 의미적으로 핵심적인 경우에도 마찬가지였다.
• 스페인어 토큰은 높은 정렬률을 보였으며, 이는 주로 다형어 측면에서 정보 손실가 발생하며, 목표어 측면의 모호성이나 노이즈 때문이 아니라는 것을 시사한다.