EMNLPSep, 2021

基于 Levenshtein 距离的词级别质量估计训练

PDF
TL;DR本研究提出了一种新颖的方案，即使用 Levenshtein Transformer 对单词级别的翻译质量评估任务进行处理，并通过两阶段的迁移学习过程和启发式方法来解决数据匹配问题，针对 WMT 2020 QE 数据集，该方法在数据限制的情况下具有更高的数据效率。
发现论文，激发创造
  • 跨语言 Transformer 多语言词级质量评估的探索性分析

    本文探讨了以往机器翻译的词汇质量评估模型的局限性，并提出了基于强大的预训练 Transformer 模型的跨语言通用性的词汇质量评估模型，证明其在跨语言模型训练、零样本 / 少样本数据归集的情况下，很好地泛化了，并且在实际应用中具有更广泛的应用前景。

    May, 2021

  • 重新思考基于人工判断的机器翻译单词质量评估

    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

  • 扩展基于单词的质量评估以供后期编辑辅助

    本文提出了一种称为扩展单词对齐的新概念，以提高后编辑辅助效率，并应用于一项新任务 - 精化的单词级质量评估。文章采用基于 mBERT 的监督方法提取扩展单词对齐，用回归模型训练 mBERT 和 XLM-R 进行序列标注来解决单词级质量评估问题，并通过扩展单词对齐实现对原单词标签的精化。实验结果表明，该方法可行并为进一步改进提供灵感。

    Sep, 2022

  • 利用合成数据和预训练多语言编码器的无监督翻译质量评估

    研究了使用合成 TQE 数据和预训练多语言编码器的无监督句子级 TQE 方法的可用性，发现该方法在预测后编辑工作量和人工评估分数方面优于其他无监督 TQE 方法，并且在预测后编辑工作量上优于零资源翻译方向。

    Nov, 2023

  • 机器翻译质量估计的实用视角

    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

  • 使用跨语言 Transformers 的翻译质量评估

    本文介绍了一种基于跨语言 transformer 的简单句子级质量估计框架，实现了两种不同的神经网络架构，并表明当在 WMT 数据集上训练时，这些方法能够超越当前开源的质量估计框架，尤其在面对低资源语言时能够获得竞争性的结果

    Nov, 2020

  • 知识蒸馏用于质量评估

    为了调整预先训练的质量评估模型的体积，将强质量评估教师模型的知识直接转移到体积更小的模型中，并结合数据增强，得到了具有 8 倍更少参数的轻量级质量评估模型。

    Jul, 2021

  • 神经机器翻译的无监督质量评估

    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

  • 从手工特征到 LLMs：机器翻译质量估计的简要调查

    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

  • 使用精调的 OpenAI LLM 预测机器翻译输出中的完美质量段落：是否能从历史数据中捕捉编辑距离模式？

    大型语言模型可进行细调从而在翻译质量评估方面取得较高的预测准确性。

    Jul, 2023