本文介绍了腾讯的多语言机器翻译系统，该系统使用数据扩增、分布式稳健优化和语系分组等技术来应对数据不平衡和多语言难题，其中在 WMT22 的有限数据情况下，取得了第一名的成绩。

Oct, 2022

本文描述了我们在 2021 年 WMT 共享任务：大规模多语言机器翻译中针对非洲语言的多语言机器翻译任务，提出了第一个多对多非洲语言翻译系统 MMTAfrica，并介绍了一种新的反向翻译和重构目标 BT&REC，可有效利用单语数据。通过 MMTAfrica 在 FLORES 101 基准测试中的结果展示，取得了重大的改进和进步。

Apr, 2022

通过使用一种模型处理双向任务，如最小设置的多语言机器翻译（MMT），本研究展示了在 WMT 2023 共享任务中的 UvA-MT 参与者使用两个方向：英语 <-> 希伯来语，可以实现与传统双语翻译相当的结果。通过包括有效策略，如反向翻译、重新参数化的嵌入表和任务导向的微调，在英语 -> 希伯来语和希伯来语 -> 英语两个方向上，我们在自动评估中获得了有竞争力的最终结果。

Oct, 2023

该研究旨在解决针对非洲语言的神经机器翻译方法应用的空缺问题，通过在英语和南非其余十种官方语言之间创建 NMT 基准 BLEU 得分来进行研究。

May, 2020

该论文探究利用多种不同的神经模型进行翻译的组合，其中包括递归、卷积和自注意力模型，最终结合短语基 SMT 系统的 MBR 方案，相较于强 Transformer 模型集合，取得了小但一致的收益。

Aug, 2018

该论文介绍爱丁堡大学参加 WMT17 共享新闻翻译和生物医学翻译任务的情况，使用了采用 Nematus 注意力编码器 - 解码器训练的神经机器翻译系统，并对层归一化、深度结构和不同的集成技术进行了广泛的实验。

Aug, 2017

我们参加了 WMT 2016 分享的新闻翻译任务，并为四种语言建立了神经翻译系统，每种语言都在英语和其它语言的两个方向上进行训练。使用了基于注意力的编码器 - 解码器、BPE 子词段和自动回译等技术，我们的方法使得我们的结果比基准系统提高了 4.3-11.2 BLEU，人工评估显示我们的系统在 8 个翻译方向中有 7 个是最好的约束系统。

Jun, 2016

本文介绍了悉尼大学参加 WMT 2019 共享新闻翻译任务的提交。通过将学术研究中的最新的有效策略（例如，BPE、回译、多特征数据选择、数据增强、贪婪模型集成、reranking、ConMBR 系统组合和后处理）与自注意力 Transformer 网络相结合，提出了一种新的增强方法 Cycle Translation 和数据混合策略大 / 小并行构建，全面利用合成语料库。大量实验证明，添加上述技术可以使 BLEU 分数不断提高，最佳结果比基准线（使用原始平行语料库训练的 Transformer 集成模型）的 BLEU 分数高出约 5.3 个 BLEU 分，达到最先进的表现。

Jun, 2019

本文介绍了第七届机器翻译会议的机器翻译任务自动评估，其中评估了 185 种系统，包括高资源到低资源语言对和从密切相关到远离的语言。自动度量标准 chrF、BLEU 和 COMET 可以相互补充以减轻解释性和准确性方面的限制，并凸显了当前最先进的机器翻译系统的一些局限性。

Sep, 2022

本文提出采用现有神经机器翻译技术为非瑟环语等低资源本地语言进行在线教育翻译以改进南非教育，并且实验证明采用 Transformer 架构击败以前翻译技术 5.33 BLEU 分数，展示了现有 NMT 技术为非洲语言提供的巨大潜力。

Nov, 2018