[論文レビュー] Lost in Translation: Analysis of Information Loss During Machine Translation Between Polysynthetic and Fusional Languages

Manuel Mager, Elisabeth Mager+3 more|arXiv (Cornell University)|Jul 1, 2018

Natural Language Processing Techniques参考文献 21被引用数 14

ひとこと要約

この論文は、ポリシントクティック語（ナワトリ語、ウィチャリ語、ヨレム・ノッキ語）と屈曲語（スペイン語）の間の機械翻訳における情報損失を、語素レベルのアライメントを用いて調査する。細分化された語彙的特徴、特に一致、視点、および時態マークャーが翻訳で頻繁に省かれることが特定され、複雑な形態句構造を持つウィチャリ語で最も高い損失が見られた。これは、低リソースニューラルMTシステムにおける重要な課題を明らかにする。

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.

研究の動機と目的

• ポリシントクティック語から屈曲語への機械翻訳における情報損失の程度と性質を、形態的豊かさと低リソース設定に焦点を当てて調査すること。
• 特に形態的に複雑なポリシントクティック語において、翻訳で頻繁に省かれるまたは誤ってアラインメントされる語素タイプを特定すること。
• ポリシントクティック語の動詞における情報符号化と屈曲語の文法構造との間の不一致に起因する翻訳失敗の言語学的根拠を理解すること。
• ヘッドマーク、統合、一致システムなどの形態句構造の相違が、翻訳品質およびアライメント精度に与える影響を評価すること。
• 現在のアライメントおよび翻訳パイプラインにおける構造的・意味的ギャップを診断することで、より強固な低リソースMTシステムの開発を支援すること。

提案手法

• GIZA++を用いて、3つのポリシントクティック語（ナワトリ語、ウィチャリ語、ヨレム・ノッキ語）とスペイン語のペアにおける平行文の語素レベルのアライメントを実施した。
• アライメント結果を分析し、一致、時態、視点、話法マーカーなどの形態句構造的カテゴリーに注目して、アラインメントされない語素を同定した。
• アラインメントされない語素の定性的分析を実施し、目的語の翻訳に抵抗する言語的特徴（例：目的語一致、割り当て者、発話的機能）を分類した。
• ユト・ナワ語族（ナワトリ語（アカソチラン方言）、ウィチャリ語（ウェチョル語）、ヨレム・ノッキ語（マヤ語））のデータを用い、言語的多様性と関連性を確保した。
• 翻訳品質を評価するため、元のポリシントクティック語の語素とターゲットのスペイン語トークンを比較し、意味的および文法的情報がどこで損失されたかを特定した。
• これらの言語に共通する主語目的語後置（SOV）構造と動詞統合パターンに注目し、情報損失の構造的要因を特定した。

実験結果

リサーチクエスチョン

• RQ1 ポリシントクティック語から屈曲語への翻訳において、しばしばターゲットテキストに符号化されない情報は何か？
• RQ2 特に形態句構造の相違に起因する言語学的観点から、観察された情報損失をどのように説明できるか？
• RQ3 一致、時態、視点マーカーなどの特定の語素タイプが、翻訳やアライメントにおいて特に困難であるとされるのはなぜか？
• RQ4 形態的複雑さや文法的構造（例：統合、ヘッドマーク）が、アライメントの失敗や翻訳エラーにどの程度寄与しているか？
• RQ5 参照、個体化、結束といった話法レベルの特徴が、翻訳過程における情報損失に果たす役割は何か？

主な発見

• ポリシントクティック語の語素の顕著な割合、特に一致、時態、視点マーカーがスペイン語に直接対応する語素を持たず、翻訳で頻繁に省かれる。
• ウィチャリ語では、語素 'p+'（割り当て者）が最もアラインメントされず、続くのは目的語一致語素 'a' と 'ne'、視点マーカー 'u' と 'e' であった。これは構造的相違度の高さを示している。
• ヨレム・ノッキ語では、実現語素 'ka' と 'k'、および 'si' 名詞一致語素が一貫してアラインメントされず、文法的関係の符号化の困難さが顕在化した。
• ナワトリ語では、目的語一致語素 'k' と 'ki'、名詞一致語素 'ni' と 'ti' が、意味的特異性にもかかわらず頻繁に失われた。
• 研究では、習慣的時態、視点、話法的結束を符号化する語素が、意味的に重要であっても体系的に翻訳が不十分であることが判明した。
• スペイン語のトークンは高いアラインメント率を示しており、主な情報損失はポリシントクティック語側に起因しており、ターゲット側の曖昧さやノイズによるものではないことが示された。