本论文提出了一种基于神经机器翻译的实时翻译框架，通过代理决策来实现翻译输出实时化并且具有可控的翻译质量与延迟，通过在两种语言对上的实验结果表明了该方法在定量与定性方面的有效性。

Oct, 2016

本文探讨神经机器翻译在低延迟语音翻译中遇到的问题，提出一种无需任务特定训练数据的适应方法，并通过构造人工数据和使用多任务学习技术成功降低了每次输出构建时所需的更正数量，同时保持了翻译质量。

Aug, 2018

本文旨在解决传统编码器 - 解码器架构中的长度固定向量制约所面临的性能瓶颈，并提出一种基于（软）搜索方式的新方法，在英法翻译任务中获得了与基于短语的模型相当的翻译性能，且（软）对齐结果与人类直觉相符。

Sep, 2014

本研究提出了同步双向神经机器翻译模型，通过同时进行从左到右和从右到左解码，以相互交互的方式预测输出，从而利用历史和未来信息，并在大规模数据上实验证明其优于强的 Transformer 模型，达到了中英文和英德文翻译任务的最新性能。

May, 2019

Google 发布的 GNMT 神经机器翻译系统采用 LSTM 深度学习网络，使用 attention 机制和残差连接，借助词元素 (wordpieces) 将单词划分为子单元，提高了稀有单词处理能力与整体系统精度。

Sep, 2016

本文探讨了注意力机制的神经机器翻译在同时翻译中的应用，并引入一种新的解码算法 —— 同时贪心解码，可在接收到完整源句之前开始翻译。该方法与以往同时翻译的研究不同之处在于，它是基于分割和翻译同时进行的，以最大化翻译质量，并且每个片段的翻译都强烈依赖于之前所有片段。这项研究是基于神经机器翻译建立完整的同时翻译系统的第一步。

Jun, 2016

本文实证研究了神经机器翻译中的部分反馈学习，提出了一种使用用户反馈信息的简单有效的方法，并证明了基于块级别的用户反馈信息可以降低训练和部署之间的领域不匹配问题，模拟实验表明块级别反馈相较于句子级反馈，能提高 2.61% 的 BLEU 绝对值。

Jun, 2018

本文提出了一种新型神经机器翻译解码器，通过将解码状态分成两个部分并在不同时间尺度上更新，实现从词块到单词的分级翻译，从而提高了翻译性能。

May, 2017

本研究提出了一种基于注意力机制的神经机器翻译（NMT）模型，并允许它在训练后访问整个平行句子对训练集。该模型由两个阶段组成：检索阶段和翻译阶段，实现了在源句子和一组检索的平行句子对之间的平滑翻译。在三种语言（En-Fr，En-De 和 En-Es）上的实证评估表明，该方法显著优于基准方法，并且当检索到更相关的平行句子对时，改进效果更为显著。

May, 2017

提出了一种多模式神经机器翻译方法，即多模式同时翻译 (MSNMT)，能够在翻译过程中利用视频信息和实现实时多语言理解。实验证实，该方法可显著提高翻译效率，特别是在低延迟情况下，比单纯文本的模型更加优秀。此外，我们通过对 MSNMT 的对抗性评估研究发现了视频信息在解码过程中的重要性，并分析了源语言和目标语言之间不同的单词顺序对翻译结果的影响。

Apr, 2020