Feb, 2022

神经机器翻译中的性别转换筛选

PDF
TL;DR本文研究了最先进的机器翻译系统中的信息流，以将法语翻译成英语时的性别转移为例。通过实验控制的示例，我们尝试多种方法来研究性别信息如何在编码器 - 解码器架构中循环传播，包括探测技术以及对 MT 系统中使用的内部表示形式的干预。结果表明，性别信息可以在编码器和解码器构建的所有标记表示中找到，并且导致我们得出结论，即存在多个性别转移的路径。
machine translationgender transferencoder-decoder architectureprobing techniquesinternal representations
发现论文，激发创造
  • 神经机器翻译中实现性别准确性

    本研究将性别信息加入神经机器翻译系统中，旨在提高语言翻译的准确性。实验结果表明，对于某些语言对，加入性别特征显著提高了翻译质量。

    Sep, 2019

  • 使用目标性别标注缓解机器翻译中的性别偏见

    在机器翻译中，当源语言句子未提供主语的性别信息时，系统往往选择最常见的翻译选项，从而可能加剧某些群体和人员的偏见和边缘化。为减少对性别刻板印象的依赖，本论文提出使用包含主语性别信息的单词级别注释训练机器翻译系统的方法，实验结果表明，这可使机器翻译系统在五种语言对上的 WinoMT 测试集上准确度提高高达 25.8 个百分点。

    Oct, 2020

  • 利用扰动自动识别机器翻译中的性别问题

    该研究利用神经网络方法实现自然语言翻译，挖掘实际数据中存在性别语言模型与相关问题，发布评估基准用于研究性别语言模型的特性和潜在影响。

    Apr, 2020

  • 机器翻译中性别偏见的评估

    本研究利用两个共指解析数据集，通过 8 种有语法性别的目标语言中的形态分析，第一次提出了机器翻译中性别偏见的挑战集和评估协议，并发现四个流行的工业机器翻译系统和两个最新的学术机器翻译模型在所有测试的目标语言上都容易出现性别偏见翻译错误。

    Jun, 2019

  • 使用语法性别暗示进行机器翻译偏见评估：性别落地还是偏见施加

    神经机器翻译（NMT）模型是机器翻译的先进技术，但这些模型被发现存在各种社会偏见，尤其是性别偏见。本文以印地语作为源语言，构建了两组性别特定的句子集（OTSC-Hindi 和 WinoMT-Hindi），用于自动评估不同的印地 - 英文（HI-EN）NMT 系统是否存在性别偏见。本研究强调了设计此类外在偏见评估数据集时考虑语言特性的重要性。

    Nov, 2023

  • 机器翻译中的性别偏见与大型语言模型时代

    本章检查了机器翻译在持续性别偏见方面的作用，强调了跨语言环境和统计依赖性所带来的挑战。提供了与传统神经机器翻译方法和作为机器翻译系统的生成式预训练变压器模型相关的现有研究的全面概述。通过在英意翻译环境中使用 ChatGPT（基于 GPT-3.5）的实验，进一步评估了 ChatGPT 目前解决性别偏见的能力。研究结果强调了在机器翻译系统中减少偏见的发展的持续需求，并强调了在语言技术中培养公平和包容的重要性。

    Jan, 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

  • 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

  • 优先选择翻译更为准确的性别翻译策略

    本研究通过调整推理过程，使用性别特征和应用性别约束条件，改善 $nbest$ 列表的性别多样性，解决了神经机器翻译中的性别偏见问题，最终权衡这些技术可以在不需要额外的双语数据或额外的 NMT 模型的情况下获得显着的 WinoMT 准确度提高.

    Apr, 2021

  • 大型语言模型中的性别特定机器翻译

    使用解码器 - only 大型语言模型（LLMs）进行性别特定翻译研究，发现通过提示可以控制输出属性，LLMs 比传统编码器 - 解码器神经机器翻译系统（NMT）提供独特优势，能够生成性别特定的翻译且具有竞争性准确性和性别偏见缓解，同时揭示了 LLMs 在性别模糊数据集中表现出明显性能下降但在上下文较少歧义的情况下保持一致的鲁棒性，并突出了上下文学习对于在 LLMs 中引发新任务的重要性。

    Sep, 2023