本研究提出$k$-最近邻机器翻译方法，基于神经翻译模型的表示进行相似性搜索，不需要额外训练，适用于广泛的场景，并且可以通过使用特定于域的数据存储库来适应不同的领域，显著提高翻译性能。

Oct, 2020

本研究提出了一种新的kNN-MT方法，使用轻量级的元k网络动态确定每个目标令牌的k值，该方法能够有效过滤检索结果中的噪声并显著优于传统的kNN-MT模型，在四个基准机器翻译数据集上得到了验证，并在其他领域展现了其普适性。

May, 2021

本文提出了一种用于领域自适应的非参数翻译解决方案“k最近邻机器翻译（kNN-MT）”，并通过在聚类的基础上通过对比学习的方式构建紧凑网络，提高了检索效率并且在大型数据集上取得了更好或相当的性能表现，同时对于不同领域的通用性很强。

Apr, 2022

本文提出一种改进机器翻译模型的方法，即将 NN search 前置，并通过最近邻知识蒸馏（NN-KD）训练基本 NMT 模型直接学习NN知识，可以更好地解决机器翻译中的过度纠正问题，并在保持训练和解码速度不变的情况下，实现了比NN-MT等现有方法更好的结果。

May, 2022

本文提出了一种新颖的 $n$-gram 最近邻检索方法，可以提高机器翻译的精度并适用于 Autoregressive Translation 和 Non-Autoregressive Translation 模型，改进后的方法在AT和NAT模型上的平均BLEU分别提高了1.03和2.76。

Jan, 2023

本文提出了一种基于句子级检索的最近邻机器翻译框架，用于快速领域自适应，该框架旨在大大提高 kNN-MT 模型的解码和存储效率，并且不会影响翻译性能。实验证明，该框架不仅能够达到与 NMT 模型相同的速度，且能够显著减少存储要求。

Feb, 2023

本文分析了$k$NN-MT的理论和实证研究，以及针对多域实验和单词级别的分析，发现在特定情况下，结合$k$NN-MT和适配器的方法能够实现与在域测试集上微调相当的翻译性能，并在域外测试集上取得更好的性能,同时，优化上下文表示可以弥补低频特定领域词汇召回方面$k$NN-MT与微调的差距。

May, 2023

k-nearest-neighbor machine translation improves neural machine translation by utilizing a vector database of translation examples, and the paper presents an efficient framework called knn-seq to handle large datasets.

Oct, 2023

通过提出的多层感知器神经网络与 kNN-MT系统结合，成功减少了冗余的检索操作，并显著降低了 kNN 检索的开销，虽然会导致轻微的翻译质量下降，但该方法可以与所有现有的 kNN-MT系统配合使用。

Dec, 2023

非参数NMT领域自适应研究中，提出了基于k最近邻机器翻译的动态检索方法，通过线性插值系数lambda调整质量分布预测，同时引入基于多层感知机的分类器以及动态生成阈值的方法，从而提高模型的效率和适应性。

Jun, 2024