MMJun, 2019

翻译迷失：机器翻译中语言丰富性的流失和衰退

PDF
TL;DR本研究基于实证数据分析了机器翻译与人为翻译之间的词汇丰富性损失，结果表明当前机器翻译系统在保留人类语言文本的词汇多样性方面尚有不足，而其倾向于加剧常见模式并忽视不常见模式的特点，可能会加重针对性别的偏见等问题，并可能导致算法本身的偏见问题。
lexical diversitymachine translationhuman translationgender biasalgorithm bias
发现论文，激发创造
  • 机器翻译中算法偏见对语言复杂性的影响

    本文研究机器翻译中偏见放大的问题，探究算法的偏见增强对语言是否会产生贫化作用。作者测试了不同的数据驱动机器翻译范式，并发现所有测试的语言对中，都存在词汇和形态上的丧失。

    Jan, 2021

  • 好，但并不总是公平：对三个商用机器翻译系统性别偏见的评估

    本研究评估了 Google Translate、DeepL 和 Modern MT 这三种在线翻译系统在性别翻译和偏见方面的表现，并发现这些系统在性别翻译方面存在不同程度的偏见。

    Jun, 2023

  • 机器翻译中的性别偏见

    通过批判性地审视当前有关 MT 偏见的概念化，总结以往的性别偏见分析，讨论已提出的缓解策略，并指向未来工作的潜在方向，提出了一个统一的框架以便于未来研究。

    Apr, 2021

  • 利用合成噪音提高机器翻译的鲁棒性

    本文介绍借助带有自然噪声的大型数据集从而使得机器翻译系统更加鲁棒，提升其抗噪能力并部分缓解由此产生的精度损失。

    Feb, 2019

  • 低资源语言方言的机器翻译

    提出了一种快速适应机器翻译系统生成不同于标准目标语言的语言变体的框架，通过对英俄翻译系统进行适应，可以生成乌克兰语和白俄罗斯语；适应英挪威博克马尔翻译系统可以生成尼诺斯克语；适应英语 - 阿拉伯语翻译系统可以生成四种阿拉伯方言，与竞争基线相比，取得了显著的改进。

    Jun, 2021

  • 神经机器翻译中的不确定性分析

    本研究提出了工具和度量方法来评估机器翻译模型中数据不确定性的捕捉，以及这种不确定性如何影响生成翻译的搜索策略。我们的结果表明，搜索功能表现出色，但模型往往在假设空间中分散了太多的概率质量。此外，我们还提出了评估模型校准的工具，并展示了如何轻松解决当前模型的一些缺陷。

    Feb, 2018

  • 机器翻译的质量期望

    该论文旨在讨论机器翻译是如何被应用的，如何评估其输出，以及如何提高机器翻译的质量，特别是作为人类翻译的生产力增强工具，其中需要考虑翻译本身的预期生命周期以及质量评估等问题。

    Mar, 2018

  • CODET: 机器翻译方言对比评估基准

    通过发布一个对比方言基准数据集，我们量化展示了大型 NMT 模型在有效翻译方言变体时面临的挑战。

    May, 2023

  • 机器翻译与人类翻译之间的形态句法视角：分歧与否

    通过形态句法差异的视角对机器翻译与人工翻译进行大规模细粒度的比较分析，发现机器翻译比人工翻译更保守，具有较少的形态句法多样性、更多的收敛模式以及更多的一对一对应关系，而这种偏差主要归因于偏向于更多收敛模式的束搜索算法。对于大多数形态句法差异，人工翻译的存在与机器翻译性能的下降相关，这对机器翻译系统构成了更大的挑战。

    Jan, 2024

  • 人工神经网络翻译中人类表现的重新评估：实现不可实现的目标？

    本文重新评估了一项最近的研究 (Hassan et al.,2018)，即使用成对排序法并考虑到三个变量，重申机器翻译在从中文到英文的新闻翻译方面已达到人类水平，我们提供了一组人类评估未来机器翻译的建议。

    Aug, 2018