Sep, 2021

NeuTral Rewriter：基于规则和神经网络的性别中性化自动改写方法

PDF
TL;DR提出了一种针对英语的基于规则和神经网络的性别中立改写方法，使用手工和自动生成数据进行了评估。实验结果表明，我们的 NeuTral Rewriter 针对合成、领域内和领域外测试结果的字错误率（WER）低于 0.18％。
gender-neutral languagenlprewritingneutral rewriterdata benchmarks
发现论文，激发创造
  • 利用有偏模型去偏见文本：一种性别公平的重写模型

    探讨通过机器翻译来创建性别不平等文本数据，用于生成更公平性别语言的模型训练，从而消除语言规则的影响和提高性能。

    May, 2023

  • 用户中心的性别重写

    该研究针对阿拉伯语的两个用户的上下文中的语法性别，开发了一个多步骤的系统，以结合基于规则和神经重写模型的正面方面。通过使用商业机器翻译系统的后处理输出，提供基于用户语法性别喜好的个性化输出。

    May, 2022

  • 探究自动翻译 在无歧义性别情况下发生错误的原因

    研究表明，使用基于 Transformer 的神经机器翻译模型在翻译一个没有对名词进行性别标注的语言时存在一些固有的性别标注错误。该论文提出了一个评估方案和数据集，以便在不同语言和句法结构的语境下准确评估基于 Transformer 的 NMT 模型的性别标注翻译能力。

    Apr, 2021

  • 性别重写共享任务

    本文介绍了第七届阿拉伯语自然语言处理研讨会上举办的 Gender Rewriting 共享任务的结果和发现，该任务需要生成给定句子的替代版本以匹配不同的目标用户性别背景（例如女性发言人与男性听众、男性发言人与男性听众等等），这需要改变涉及用户的某些词的语法性别（阳性或阴性）。在本任务中，我们专注于阿拉伯语，这是一种具有性别标记且词形丰富的语言，共有来自四个国家的五个团队参加了该共享任务。

    Oct, 2022

  • 用户感知的阿拉伯语性别重写器

    介绍了 User-Aware Arabic Gender Rewriter，一个基于用户的阿拉伯语性别重写对于两个用户的上下文环境的 Web 系统。该系统可以接受阿拉伯语或英语句子作为输入，并为用户提供指定所需的第一和 / 或第二人称目标性别的能力。系统输出重写阿拉伯语输入句子的性别替代（或其英语翻译，在英语输入的情况下），以匹配目标用户的性别偏好。

    Oct, 2022

  • 领域适应问题中的神经机器翻译性别偏见减少

    翻译系统中存在的性别偏见问题影响翻译质量，作者使用许多小规模相似数据的迁移学习替代了传统的样本平衡方法，并使用弹性权重共享和基于网络重叠的方法解决了迁移学习中的遗忘问题。最后，作者构建了优于其他系统的词网重新评分方案来解决性别偏见问题。

    Apr, 2020

  • 利用词嵌入技术消除神经机器翻译中的性别偏差

    本文提出使用词向量以减少神经机器翻译中性别偏见的方法并应用于 Transformer 翻译结构中，通过评估在 WMT 英西标准测试上的结果，展示出一定的性能提高和在职业测试集上消除基线系统已存在的偏见。

    Jan, 2019

  • 评估性别中性语言翻译为英语的性别偏见

    机器翻译在质量和应用方面不断取得进步，然而无意中传递性别偏见仍然是一个重大问题。为了弥补这一缺口，我们介绍了 GATE X-E，它是 GATE 语料库的扩展，包含了从土耳其语、匈牙利语、芬兰语和波斯语翻译成英语的人工翻译，并针对每种可能的性别解释提供了女性、男性和中性变体。我们还呈现了一个基于 GPT-3.5 Turbo 的英语性别重写解决方案，并利用 GATE X-E 对其进行了评估。我们开放源代码以鼓励进一步研究性别去偏见。

    Nov, 2023

  • 对自动性别中性翻译需求的迅速响应

    通过与 GPT-4 模型比较，我们通过广泛的手动分析实证揭示了当前机器翻译系统在生成性别中立翻译时的固有限制，并为提示中立性所涉及的潜力和挑战提供了有价值的见解。

    Feb, 2024

  • 神经机器翻译在不做特别处理时不能正确翻译性别指代

    本文提出了一种将显式词级别的性别标记融入 NMT 中的方案，并探讨了在确定性别特征来源以及在目标语言中实现类似非二元词汇变化的情况下的性别标记控制翻译。该文发现了一些现有方法可能出现性别特征推广至句子中的多个实体，并提出了有效的替代方案，包括标记共指适应数据。

    Oct, 2020