通过研究各种方法改进低资源和古老语言机器翻译，包括从相关语言进行迁移学习，优化共享词汇和令牌分割方法，微调大型预训练模型，并使用大型语言模型实现少量训练样本的模糊匹配翻译，我们开发了一种基于语言相关性的多语言神经机器翻译模型，在标准的双语模型基础上平均性能提高了约 4 个 BLEU。我们还尝试使用 NLLB-200 模型进行微调，这是目前最先进的翻译模型之一，但发现只有 4k 个 Ge'ez 训练样本的性能较差。此外，我们尝试使用 GPT-3.5 进行带有模糊匹配的少量样本翻译，该模型利用嵌入相似性检索从平行语料库中找到上下文示例。我们观察到，GPT-3.5 在不了解 Ge'ez 的情况下取得了显著的 9.2 BLEU 分数，但仍低于 15.2 的多语言神经机器翻译基准。我们的研究为低资源和古老语言机器翻译的不同方法的潜力和限制提供了一些见解。

Nov, 2023

本文提出采用现有神经机器翻译技术为非瑟环语等低资源本地语言进行在线教育翻译以改进南非教育，并且实验证明采用 Transformer 架构击败以前翻译技术 5.33 BLEU 分数，展示了现有 NMT 技术为非洲语言提供的巨大潜力。

Nov, 2018

本文主要研究神经机器翻译在低资源条件下的表现，提出通过对目标语句子进行回译生成人工数据的方法，并以提取 Tigrinya 语言为案例，研究了多种回译方法，最终发现及时利用中间语言进行回译是在低资源条件下提高性能的最有效方法。

Mar, 2021

本文介绍了第一个相对较大规模的阿姆哈拉语 - 英语双语平行语句数据集，利用这些数据，通过微调现有的 Facebook M2M100 预训练模型，建立了双向阿姆哈拉语 - 英语翻译模型，在阿姆哈拉语 - 英语翻译和英语 - 阿姆哈拉语翻译中均达到了较高的 BLEU 得分，此外，本文还探讨了阿姆哈拉语同音字范式化对机器翻译的影响。结果表明，阿姆哈拉语同音字的范式化可以提高双向翻译模型的翻译性能。

Oct, 2022

探讨使用现代神经机器翻译技术实现英语翻译成五种南非官方语言（Afrikaans、isiZulu、Northern Sotho、Setswana、Xitsonga），提供可重复使用的数据、代码和结果，为非洲机器翻译研究提供比较和承建的起点。

Jun, 2019

我们介绍了一个在线学习神经机器翻译的系统，并将其与专业翻译人员最常用的 SDL Trados Studio 用户界面集成，以节省机器不断学习和适应特定领域或用户风格的人类选择所需的时间和努力。

Jun, 2019

该研究旨在解决针对非洲语言的神经机器翻译方法应用的空缺问题，通过在英语和南非其余十种官方语言之间创建 NMT 基准 BLEU 得分来进行研究。

May, 2020

本文介绍了第一个神经机器翻译系统，用于翻译濒危的艾尔济亚语和俄语之间的文本，BLEU 得分分别为 17 和 19，适用于艾尔济亚语和俄语之间的翻译。我们还用适应我们的模型翻译艾尔济亚语和 10 种其他语言，但在这些方向上没有额外的并行数据，质量仍然很低。我们发布了翻译模型以及收集的文本语料库、新的语言识别模型和适用于艾尔济亚语的多语句编码器。

Sep, 2022

本文应用神经机器翻译技术在阿拉伯语翻译任务中进行比较和预处理，并发现在处理适当的阿拉伯语脚本前，神经机器翻译和基于短语的翻译系统性能相近，但神经机器翻译在域外测试集上明显优于短语翻译系统，在实际应用中更具吸引力。

Jun, 2016

研究了最近神经机器翻译 (NMT) 在英语和五种非洲低资源语言 (LRL) 对之间的效果，并表明多语言模型 (multilingual approach) 在某些翻译方向上有 +5 分数的提升。同时，提供标准的实验数据和测试集以供未来的研究使用。

Mar, 2020