Optimized Fine-tuning and Pseudo-Data Strategies for Cross-Domain Low-Resource Language Cantonese-English Neural Machine Translation
Notice bibliographique
Résumé
Neural machine translation for low-resource languages like Cantonese remains challenging due to limited parallel data and domain adaptation difficulties. Moreover, standardized processing pipelines for minor languages are scarce. Our study presents a rounded framework for Cantonese–English neural machine translation that addresses data scarcity, model optimization, and evaluation rigor. We curate a parallel corpus of 1.1 million sentences from parliamentary records, subtitles, educational texts, and web sources, and implement a multi-stage cleaning pipeline contains LaBSE-based semantic alignment. We fine-tune the NLLB-200-600M model using optimized training configurations. To mitigate data limitations, we develop a domain-adapted reverse translation model to generate pseudo-parallel data and employ a layered sampling strategy to create subsets of varying scales. Our systematic evaluation identifies a 200k pseudo-data to 200k original data ratio as optimal. The best performing model achieves a BLEU score of 29.63 and 56.65 of chrF on in-domain tests, and a BLEU score of 15.87 on legal-domain tests, outperforming NLLB-200-distilled-600M in cross-domain generalization. This work establishes a reproducible pipeline for low-resource translation and underscores the importance of tailored data strategies and rigorous evaluation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».