本文研究了基于字符的神经机器翻译模型，并发现它们能够解决词表外的问题、学习词形变化，但是在面对嘈杂的数据时容易出现错误。作者探究了两个方法来提高模型的鲁棒性：结构不变的词表示和在噪声数据上强化训练。作者发现一个基于字符卷积神经网络的模型能够同时学习多种噪声下的鲁棒表示。

Nov, 2017

本文探讨了并行训练数据中各种类型的噪声对神经机器翻译系统性能的影响，通过创造并分析五种人造噪声的方式来研究神经机器翻译和统计机器翻译的性能下降，发现神经模型通常比统计模型更容易受到噪声的影响。

May, 2018

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

本文介绍借助带有自然噪声的大型数据集从而使得机器翻译系统更加鲁棒，提升其抗噪能力并部分缓解由此产生的精度损失。

Feb, 2019

本文介绍了一种名为 TAFT 的数据驱动技术，它利用 fine-tuning 策略加入噪声训练 Transformer 模型，并提出了两种新型技术 CD 和 DCD 以帮助模型更好地处理噪声，最终在英德翻译语料中实现更高的鲁棒性。

Dec, 2020

通过形态句法差异的视角对机器翻译与人工翻译进行大规模细粒度的比较分析，发现机器翻译比人工翻译更保守，具有较少的形态句法多样性、更多的收敛模式以及更多的一对一对应关系，而这种偏差主要归因于偏向于更多收敛模式的束搜索算法。对于大多数形态句法差异，人工翻译的存在与机器翻译性能的下降相关，这对机器翻译系统构成了更大的挑战。

Jan, 2024

通过引入自然非语义变化（NAV）概念并利用人工生成的变化对机器翻译进行微调，可提高机器翻译在困难输入（如噪声数据和边缘词语）下的性能，还发现 NAV 的鲁棒性可以跨语言进行转移，但合成扰动无法实现所有有机 NAV 数据的优点。

May, 2022

本研究研究神经机器翻译系统中的数据噪声问题以及如何通过增加包含人工引入的语法错误句子的训练数据来提高其对错误的鲁棒性，同时提出了一套用于测试神经机器翻译在处理语法错误上的 JFLEG 语法纠错语料库的西班牙语翻译。

Aug, 2018

本文介绍了一个训练多语言 BERT 模型的策略，通过学习排列变异的不同粒度的合成样本来提高细粒度语义差异的预测和注释。本文还推出一个新的数据集，旨在评估我们的模型在英语 - 法语两种语言之间的语义分歧上的标注效果。结果表明，相对于强的句子级相似度模型，学习排列有助于更准确地检测细粒度句子级分歧，而令牌级别的预测具有进一步区分粗细颗粒差异的潜力。

Oct, 2020

本研究提出了工具和度量方法来评估机器翻译模型中数据不确定性的捕捉，以及这种不确定性如何影响生成翻译的搜索策略。我们的结果表明，搜索功能表现出色，但模型往往在假设空间中分散了太多的概率质量。此外，我们还提出了评估模型校准的工具，并展示了如何轻松解决当前模型的一些缺陷。

Feb, 2018