A multi-agent solution for managing complexity in english to sinhala machine translation
Notice bibliographique
Résumé
Machine translation turns out to be an inherently complex process requiring serious attention to morphological, syntactic and semantic complexity within both the source and the target languages. Most of the existing approaches to machine translation (MT) circumvent the complexity with the assumption that morphological, syntactic and semantic analysis can be done independently and sequentially. This has resulted in depriving us of the opportunity to use the language complexity to generate high-quality translations. In view of this, research has been conducted to develop a multi-agent systems solution for MT that uses the language complexity as an opportunity for generating a more realistic translation from English to Sinhala. This multi-agent solution primarily comprises a six-agent swarm to deliberate on morphological, syntactic and semantic concerns of the source and the target languages without being constrained to operate in a sequential manner. These agents use the ontology of corpora and dictionary of two languages. This approach is inspired by the fact that people understand a sentence by incrementally reading through words while simultaneously considering the syntax and semantics. As such, when the system progresses in identification of words one by one, both syntactical and semantic concerns are entertained up to the current point of reading. As a result, initially decided words may be changed due to the present concern of morphology, syntax and semantics. A translation system has been implemented on the multi-agent system development framework named MaSMT. Experiments show that the multi-agent solution for MT gives promising results for translating sentences of an average length and further research has been carried out to accommodate translation of long sentences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».