EMNLPApr, 2020

模拟多参考训练改善低资源机器翻译

PDF
TL;DR通过模拟多重参考训练（SMRT）来近似表示可能的翻译，从而训练机器翻译（MT）模型，以缓解低资源环境下数据稀疏问题，并在翻译为英语时实现了 1.2 到 7.0 BLEU 的提高（机器翻译评价指标）。研究还发现 SMRT 和回译相互补充。
发现论文，激发创造
  • SMRT Chatbots：利用模拟多重参考训练改进非任务导向式对话

    应用模拟多参考训练方法（SMRT），使用改写工具模拟多个响应以提高对话模型的质量和语言多样性。结果表明，SMRT 对人类和自动质量评分以及语言多样性均有所改善，相较于预训练，在人工评估质量方面相当，但在自动质量和语言多样性方面领先，并且无需相关领域的对话数据。

    Nov, 2020

  • 定制参考语境的同时机器翻译

    提出了一种通过修改参考文献并使用强化学习方法进行个性化训练的新方法，用于改进不同延迟下训练的同传机器翻译模型的性能。实验证明，该方法在固定和自适应策略下都取得了最先进的性能。

    Oct, 2023

  • 神经翻译和文本生成的多参考训练与伪参考

    利用多个参考文献训练神经文本生成模型的方法对机器翻译和图像字幕生成任务产生了显著的改进，其中一种算法先将现有的参考文献压缩成格点再遍历来生成伪参考文献。

    Aug, 2018

  • 低资源语言的神经机器翻译

    本文研究通过引入更多本地依赖关系和使用单词对齐来学习翻译过程中的句子重新排序，在低资源语言中使用神经机器翻译 (NMT) 模型，产生仅使用 7 万个训练数据令人满意的翻译结果。

    Aug, 2017

  • 低资源机器翻译中的语法差异处理

    本文提出一种简单但有效的方法，即将目标语句重新排序以匹配源语序，并将其作为另外一种训练时的监督信号，从而在模拟低资源日语 - 英语和真实低资源维吾尔 - 英语语种中获得显着改进。

    Aug, 2019

  • 提高 BLEU 参考覆盖率的多样化自动释义研究

    通过现代神经转述技术研究 BLEU 误差函数在单一参考翻译文本下的局限性，探索使用多样化、针对性的参考翻译文本来提高 BLEU 与人类评价的相关性，实验结果表明多样化的自动生成的参考翻译文本的确能够改进 BLEU 的表现，但特定针对被评估机器翻译输出的有效翻译文本的设计也能进一步提高 BLEU 的性能表现，一些强有力的采样方法甚至能够击败人工生成的参考翻译文本。

    Apr, 2020

  • 通过伪平行数据增强无监督机器翻译

    即使有深度学习和大规模语言建模的最新发展，对于低资源语言的机器翻译任务仍然是一个挑战。我们提出了一种训练策略，依赖于从单语语料库中挖掘的伪平行句对和从单语语料库中反向翻译的合成句对。我们尝试了不同的训练计划，并在基于仅反向翻译数据训练的基线上实现了高达 14.5 BLEU 分（从英语到乌克兰语）的改进。

    Oct, 2023

  • 利用自我训练增强低资源神经机器翻译的反向翻译

    利用自训练策略改进 Neural Machine Translation（NMT）模型，通过反向翻译技术来生成高质量的合成数据以训练标准翻译模型，可提高低资源下的翻译品质，提高翻译模型的 BLEU 值。

    Jun, 2020

  • 双向神经机器翻译与合成平行数据

    本论文提出一种结合了回译和多语言神经机器翻译技术的新技术，通过为一个语言对训练一个模型来改善在低资源和跨领域情况下的机器翻译效果，并且能显著降低培训和部署成本。

    May, 2018

  • 利用伪参考文本并减少重新排序来提高同声传译质量

    提出了一种将现有的全句子语料库改写为同时翻译风格的新方法，用生成的伪参考文本增强机器翻译系统，在中英文和日英文同时翻译任务中获得高达 2.7 BLEU 的显著改善。

    Oct, 2020