Jun, 2016

WMT16 自动后编辑和多模式翻译任务中的 CUNI 系统

PDF
TL;DR本文利用最近发表的多种神经序列学习方法，构建用于 WMT 2016 共享任务的自动后期编辑和多模态机器翻译系统。
neural sequencemachine translationwmt 2016automatic post-editingmultimodal machine translation
发现论文，激发创造
  • WMT17 多模式翻译任务的 CUNI 系统

    本文描述了我们在 WMT17 多模态翻译任务中的提交内容，其中通过使用来自平行语料和回译的方法获取了额外的数据，建立了纯文本神经翻译模型进行多模态翻译，并使用最佳系统将英语字幕翻译为目标语言。我们还展示了一些未能有效提高翻译性能的负面结果。

    Jul, 2017

  • LIUM-CVC 提交的 WMT18 多模式翻译任务

    本文介绍了由 LIUM 和 CVC 开发的多模态神经机器翻译系统，描述了他们在 WMT18 多模态翻译共享任务中提出的几种修改架构，以更好地整合卷积特征和使用编码器方面的信息来优化模型，最终在英法和英德语言对上以 METEOR 自动评估指标为参考，获得第一和第二名。

    Sep, 2018

  • CUNI WMT 22 高效翻译赛任务的非自回归系统

    我们提交了一个非自回归系统的解决方案，用于 WMT 22 高效翻译共享任务，并使用 12 层 Transformer 模型、连接主义时间分类和强有力的自回归教师模型知识蒸馏数据进行了训练，旨在建立扎实的基线和可靠的评估方法，特别是在测量解码速度方面。

    Dec, 2022

  • LIUM-CVC 对 WMT17 多模态翻译任务的提交

    本文介绍了由 LIUM 和 CVC 开发的单模态和多模态神经机器翻译系统，其中探索了两种多模态架构，最终的系统根据自动评估指标 METEOR 和 BLEU 在 En-De 和 En-Fr 语言对中排名第一。

    Jul, 2017

  • WMT19 鲁棒性任务的 CUNI 系统

    本文讨论了 CUNI Transformer 系统在 WMT19 Robustness Task 中的表现，以及通过在领域内嘈杂数据上进行精细调整，提高模型性能，而不影响新闻领域的翻译质量。

    Jun, 2019

  • 爱丁堡大学 WMT17 神经机器翻译系统

    该论文介绍爱丁堡大学参加 WMT17 共享新闻翻译和生物医学翻译任务的情况，使用了采用 Nematus 注意力编码器 - 解码器训练的神经机器翻译系统，并对层归一化、深度结构和不同的集成技术进行了广泛的实验。

    Aug, 2017

  • 剑桥大学 WMT18 机器翻译系统

    该论文探究利用多种不同的神经模型进行翻译的组合，其中包括递归、卷积和自注意力模型，最终结合短语基 SMT 系统的 MBR 方案，相较于强 Transformer 模型集合，取得了小但一致的收益。

    Aug, 2018

  • 多模态对人类和机器在翻译和图像字幕中是否有帮助？

    本文介绍了 LIUM 和 CVC 为 WMT16 Multimodal Machine Translation Challenge 开发的系统。我们在单模态数据和多模态数据的基础上，探索了各种比较方法，包括基于短语的系统和使用单模态或多模态数据训练的注意力循环神经网络模型。我们还进行了人类评估，以估计多模态数据对于人机翻译和图像描述生成的实用性。根据自动评估指标 BLEU 和 METEOR，我们的系统在这两个任务中获得了最佳结果。

    May, 2016

  • WMT17 自动后编辑任务的 LIG-CRIStAL 系统

    本文介绍了 LIG-CRIStAL 团队在 WMT2017 共享的自动后期处理任务中的两个神经后期编辑模型：一个具有任务特定关注机制的单源模型，适用于低资源场景；另外一个是使用源语句提供额外上下文的链接架构，并能在更多的训练数据可用时略微提高结果。我们展示并讨论了在任务中提供的两个数据集 (en-de 和 de-en) 的结果。

    Jul, 2017

  • WMT 16 爱丁堡神经机器翻译系统

    我们参加了 WMT 2016 分享的新闻翻译任务，并为四种语言建立了神经翻译系统，每种语言都在英语和其它语言的两个方向上进行训练。使用了基于注意力的编码器 - 解码器、BPE 子词段和自动回译等技术，我们的方法使得我们的结果比基准系统提高了 4.3-11.2 BLEU，人工评估显示我们的系统在 8 个翻译方向中有 7 个是最好的约束系统。

    Jun, 2016