arXiv cs.CL· Prasanth Bathala, Anubhav Shrimal, Sukhdeep Singh Kharbanda, Pradyumna Lanka, Rohit Dhaipule·· 10 天前AI 评分22
TACTICS：面向机器翻译的 taxonomy 感知智能语料采样方法
TACTICS: Taxonomy-Aware Intelligent Corpus Sampling for Machine Translation
AI 导读
TACTICS 是一种面向机器翻译评估的语料采样方法，它从 locale 风格指南中归纳层级 taxonomy，对语料片段分类后，在固定预算下联合优化稀有类别覆盖、文档级连贯性和对全语料的分布保真度。
正文 · AI 翻译
摘要：大规模机器翻译（MT）系统通常是在语料库的随机样本上进行评估的，而该语料库的分布构成是其组装方式的产物。这样的样本继承的是该集合恰好包含的现象，而非系统必须处理的完整空间——涵盖规则驱动的惯例（术语、标点、货币格式）和依赖上下文的现象（语气、敬语、文档级连贯性），因此无法为评估鲁棒性提供覆盖保证。我们提出 TACTICS（Taxonomy-Aware Coverage-opTimized Intelligent Corpus Sampling，分类感知的覆盖优化智能语料采样），将覆盖重新定义为一个明确目标。TACTICS 从区域风格指南中归纳出层次化分类体系，对片段进行分类，并选择一个固定预算的子集，同时优化稀有类别的覆盖、文档级连贯性以及对完整语料的分布保真度。将 TACTICS 应用于四个翻译方向的 MT 评估，相比基于词汇和嵌入的选择方法，它提高了稀有类别的覆盖。通过针对区分系统的现象，TACTICS 让固定评估预算发挥更大作用，在存在真实质量差距时，用远少于随机采样的片段恢复真实的系统排名，而在不存在差距时绝不发出差异信号。
| 评论： | 已被 EMNLP 2026（2026 年第十一届机器翻译会议 - WMT2026）接收 |
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.17956 [cs.CL] |
| （或 arXiv:2609.17956v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.17956 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Prasanth Bathala [查看电子邮件]
[v1]
2026年9月16日星期三 00:34:12 UTC（3,226 KB）
[v2]
2026年10月1日星期四 23:14:03 UTC（3,227 KB）
[v3]
2026年10月6日星期二 21:30:27 UTC（3,227 KB）
来源：arXiv cs.CL · arxiv.org