Apr, 2020

同时翻译策略：从固定到自适应

PDF
TL;DR通过简单的启发式组合一组固定策略，我们设计了一种算法来实现自适应策略，实验结果显示我们的自适应策略可以在相同延迟下比固定策略多达 4 个 BLEU 分数，并且甚至在贪心模式下超过了全句翻译的 BLEU 分数（接近 beam 模式），但延迟更低。
发现论文，激发创造
  • 简单快速学习适应性同传策略

    提出了一种简单的监督学习框架，从并行文本生成的 oracle READ / WRITE 序列中学习自适应策略来结合固定延迟策略和自适应策略的优点以实现更好的 BLEU 分数和相似的延迟，同时无需重新训练基础的神经机器翻译模型。

    Sep, 2019

  • 通过受限模仿学习实现灵活策略的同时翻译

    本研究介绍了一种使用延迟标记和受限动态 Oracle 进行简化训练的单模型策略进行同时翻译优化， 实验结果表明，相比固定和强化学习策略，该方法能够实现更好的 BLEU 分数和更低的延迟。

    Jun, 2019

  • 将固定转为自适应：将后评估集成到同时机器翻译中

    本文提出了一种将后评估集成到固定策略中的方法，通过测量源内容的变化来评估下一个操作的合理性，并根据评估结果采取不同的操作，这种自适应策略在三项翻译任务中均优于强基准线。

    Oct, 2022

  • 数据驱动的自适应同时机器翻译

    本文提出一种用于自适应 SimulMT 训练的有效方案，通过向训练语料库中添加自适应前缀对前缀的语句，来缓解 Wait-K 策略的两个主要限制，实验证明该方法在翻译质量和延迟方面优于所有强基准线。

    Apr, 2022

  • 通过二分搜索学习同时机器翻译的最优策略

    本文提出了一种利用二分查找在线构建最佳策略的方法来实现并行句子翻译的优化，通过显式监管来实现最优策略的学习，从而在所有延迟情况下超越了强基线。

    May, 2023

  • LEAPT: 学习自适应前缀到前缀转换，用于同时机器翻译

    本文提出了一种自适应前缀训练策略（LEAPT），使机器翻译模型学习如何翻译源前缀并利用未来上下文，实验证明相比竞争基线表现更好并取得了良好的结果。

    Mar, 2023

  • 利用及时的纠正进行机会解码的同时翻译

    本研究提出了一种 Opportunistic Decoding 技术，该技术以适当速度纠错并每步生成额外单词以保证跟踪最新信息，进而实现了高质量的同声传译和显著降低的延迟。

    May, 2020

  • 自适应训练的流畅低延迟语音同传翻译

    提出了一种名为 Self-Adaptive Translation (SAT) 的方法，实现同时语音翻译。该方法通过灵活调整翻译的长度，以适应不同的源语音速率，从而在保持近似的翻译质量的前提下，显著降低了延迟，生成了更流畅自然的目标语音。

    Oct, 2020

  • 自适应等待 -$k$ 模型的同时翻译策略

    同时机器翻译中，我们提出一种通过将自适应策略模型与翻译模型分离的灵活方法，引入了基于潜在的翻译分布差异的 DaP（基于分歧的自适应策略），以在翻译准确性和延迟之间提供更好的平衡，表现优于现有方法。

    Oct, 2023

  • STACL: 前缀到前缀框架的隐含预测与可控延迟的同时翻译

    该研究提出了一种基于前缀的预测模型，采用 wait-k 策略来实现当前缀的翻译，并在中英文和德英文四个方向上实现了较低的延迟和合理的质量。

    Oct, 2018