Low-Resource Transliteration for Roman-Urdu and Urdu Using Transformer-Based Models

要約

情報検索（IR）フィールドが包括性の重要性をますます認識しているため、低リソース言語のニーズに対処することは依然として重要な課題です。
ウルドゥー語とそのローマ化された形式であるローマのウルドゥー語の間の音訳は、南アジアでの両方のスクリプトを広範囲に使用しているにもかかわらず、既知のままです。
Roman-Udu-ParlデータセットでRNNを使用した以前の研究は、有望な結果を示しましたが、貧弱なドメインの適応性と限られた評価に苦しんでいました。
M2M100多言語翻訳モデルを使用して変圧器ベースのアプローチを提案し、Masked Language Modeling（MLM）GretrainingとRoman-Udu-ParlとドメインダイバーDakshina Datasetの両方で強化されています。
以前の評価の欠陥に対処するために、厳密なデータセットの分割を導入し、BLEU、キャラクターレベルのBLE、およびCHRFを使用してパフォーマンスを評価します。
私たちのモデルは、Urdu-> Roman-Uduで96.37、Roman-Udu-> Urduで97.44のChar-Bleuスコアが96.37で、強力な音訳性能を達成しています。
これらの結果は、RNNベースラインとGPT-4O MINIの両方を上回り、低リソースの音訳タスクに対する多言語転送学習の有効性を示しています。

要約(オリジナル)

As the Information Retrieval (IR) field increasingly recognizes the importance of inclusivity, addressing the needs of low-resource languages remains a significant challenge. Transliteration between Urdu and its Romanized form, Roman Urdu, remains underexplored despite the widespread use of both scripts in South Asia. Prior work using RNNs on the Roman-Urdu-Parl dataset showed promising results but suffered from poor domain adaptability and limited evaluation. We propose a transformer-based approach using the m2m100 multilingual translation model, enhanced with masked language modeling (MLM) pretraining and fine-tuning on both Roman-Urdu-Parl and the domain-diverse Dakshina dataset. To address previous evaluation flaws, we introduce rigorous dataset splits and assess performance using BLEU, character-level BLEU, and CHRF. Our model achieves strong transliteration performance, with Char-BLEU scores of 96.37 for Urdu->Roman-Urdu and 97.44 for Roman-Urdu->Urdu. These results outperform both RNN baselines and GPT-4o Mini and demonstrate the effectiveness of multilingual transfer learning for low-resource transliteration tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google