本文介绍了 Netmarble 在 WMT21 自动后处理 (APE) 共享任务中的提交，旨在通过多种手段来改进机器翻译的质量，并通过实验证明其有效性。

Sep, 2021

利用大型语言模型（LLM）进行神经机器翻译和自动后编辑，并借鉴低秩适配器微调的方法，在句子和文档级别的度量上取得显著改进，同时还研究了利用人工修正来减少后续翻译所需的编辑次数的实际应用场景。

Oct, 2023

本文提出了 Adam Mickiewicz 大学对于 WMT 2022 通用机器翻译任务的限制性跟踪的提交结果，使用基于 transformer 架构的加权集成模型进行双向乌克兰语 <-> 捷克语翻译，使用源因子利用输入的命名实体信息，在训练数据之外使用噪声后向传递技术进行数据增强。使用 noisy back-translation 技术增加训练语料库。模型集成是由 4 个模型加权结合而成，并针对多句翻译使用了文档级模型进行训练，最后使用现有的质量估计模型和最小贝叶斯风险解码将 n-best 列表进行重排序，使得最佳假设能够根据 COMET 评估度量标准被选择。根据自动评估结果，在两个翻译方向上我们的系统排名第一。

Sep, 2022

这篇论文介绍了微软和爱丁堡大学 2018 年 WMT 共享任务中的自动后编辑竞赛，利用上一次共享任务的训练数据和系统，重新实现了我们自己的模型，并以广泛的参数共享为基础进行改进。接着，我们对 IT 领域的双源变压器模型和数据选择进行了实验。我们的提交结果在 SMT 后编辑子任务中占据了决定性胜利，建立了新的技术水平，并在 NMT 子任务中获得了非常接近的第二名（或相等，16.46 vs. 16.50 TER）。根据 NMT 子任务的相对较弱结果，我们假设神经对神经的 APE 实际上并不有用。

Sep, 2018

本文研究了多种神经架构用于机器翻译自动后编辑任务。研究内容包括：将 $mt$ 和 $src$ 结合在一起直接对目标进行建模的端到端模型、硬注意力模型和以上两种结合。结果表明：将多个神经架构和硬注意力相结合，所构建的双注意力模型在自动后编辑任务中提供了更好的表现。

Jun, 2017

针对英德翻译领域，Unbabel 利用 BERT 预训练模型，开发了基于 BERT 的编码器解码器模型 (BED)，通过对保守性因子的研究，将其与神经机器翻译系统相结合，使得翻译质量大幅提高，成为英德自动后编辑领域新的最高水平。

May, 2019

本研究旨在探讨自动后编辑技术在神经机器翻译系统上的实用性。通过构建英德短语翻译的人工编辑语料库，我们证明了在大规模语料库和人工编辑数据的监督下，最新的神经网络后编辑技术可以显著提高神经机器翻译系统的翻译质量，并挑战了当前领域的理解。

Sep, 2020

本文探讨自动后编辑 (APE) 的问题，提出了一种基于对称自注意和语言学正则化的方法，旨在提高 APE 模型对目标语言的理解能力，并取得了实验结果的显著提升。

May, 2023

利用多个专门的神经机器翻译系统，将已被证明在词级质量估计中有效的特征作为输入因素，扩展原始源和机器翻译假设的表示，生成自动后编辑的假设，并在单个框架内连接自动后编辑和词级质量估计的最先进方法，进而通过调整实现两个任务的最优表现。

Jun, 2017

该研究提出了一种新的模拟自动后期编辑过程中的复制机制的方法，通过在源句子和系统输出之间交互学习来更好地识别翻译错误，并在 WMT 数据集上的实验中进行验证，表现优于以往最佳结果。

Nov, 2019