自动后编辑（APE）是自动识别和校正机器翻译（MT）输出中的错误的任务。我们提出了一种修复 - 过滤 - 使用的方法，使用 APE 系统来校正 MT 训练数据的目标端的错误。我们根据使用质量估计（QE）模型计算的质量分数选择原始和校正句子对。通过使用这个过滤后的语料库进行训练，相对于基线模型，我们观察到英语 - 马拉地语和马拉地语 - 英语机器翻译系统性能提升了 5.64 和 9.91 个 BLEU 点。我们的工作不受英语或马拉地语的特征限制；在具备必要的 QE 和 APE 数据的情况下，它是语言对不可知的。

Dec, 2023

利用多个专门的神经机器翻译系统，将已被证明在词级质量估计中有效的特征作为输入因素，扩展原始源和机器翻译假设的表示，生成自动后编辑的假设，并在单个框架内连接自动后编辑和词级质量估计的最先进方法，进而通过调整实现两个任务的最优表现。

Jun, 2017

机器翻译质量评估（MTQE）是实时估计机器翻译文本质量的任务，不需要参考翻译，对机器翻译的发展非常重要。本文综述了质量评估数据集、标注方法、共享任务、方法学、挑战和未来研究方向。

Mar, 2024

本研究旨在提高机器翻译句子水平的翻译编辑速率预测，提出了句子水平的质量分类（QC）观点，以优化召回率，并通过二进制分类器的使用可将后编辑工作量减少至 50-60％。

May, 2020

该论文旨在通过自监督的预训练方法以及标记修正策略，提高机器翻译的质量估计，避免传统质量评价准则的局限性，并通过人类专家的直接评注来构建不需要参考文献的数据集 HJQE 的实验结果证实了我们的方法的有效性。

Sep, 2022

本文提出 QUAK, 是一个自动生成的合成 QE 数据集（包括三个子数据集），可用于提高机器翻译输出质量的自动预测。该数据集是通过三种相对自由的生成策略产生的，具有良好的可扩展性，已扩展到 1.58M 到 6.58M。对数据集进行统计分析后发现，QUAK-M，P 中添加数据可获得显著性能提升。

Sep, 2022

使用质量评估（QE）指标过滤训练数据的句子对可以提高翻译质量并减少训练规模一半。

Nov, 2023

本文提出了一种基于质量评估的过滤方法，以从伪平行语料库中提取高质量的平行数据，并通过使用过滤后的语料库进行训练，改善了机器翻译系统的性能。该方法在英语 - 马拉地语、中文 - 英语和印地语 - 孟加拉语语言对中表现出了很好的效果，通过迁移学习在仅使用 500 个印地语 - 孟加拉语训练实例的情况下，相比基准模型提高了最多 0.6 个 BLEU 分数。

Jun, 2023

提出了一种无监督方法来进行机器翻译的质量估计，该方法不需要大量专家注释数据、计算和时间来训练。该方法通过从机器翻译系统中提取有用的信息，并采用不确定性量化方法，实现了与人类判断质量的很好相关性，与最先进的监督质量估计模型相媲美。同时，他们还收集了第一个数据集，使得可以进行黑盒和白盒方法的质量估计的工作。

May, 2020

机器翻译后编辑广泛应用于传播，其高生产率和质量优于从零开始的人工翻译。本研究通过计算分析比较后编辑和人工翻译在五个翻译方向上的不同翻译普遍规律，发现后编辑更简化、规则化，但受源语言干扰程度更高。

Jul, 2019