May, 2023

跨语言情况下自然语言翻译和神经网络翻译的自动区分

PDF
TL;DR研究人员利用多语言数据和预训练的语言模型，成功开发出一种分类器，能够自动区分不同源语言翻译的人工翻译和机器翻译，发现使用少量数据训练的分类器的推广能力更好。
machine translationmultilingualpretrained language modelsclassifiersource languages
发现论文，激发创造
  • 利用机器翻译增强多语言分类

    利用机器翻译来调整多语言模型以进行分类任务在多种语言之间产生一定的效果，并且通过一种新颖的技术可以改善模型对翻译数据的负面影响。

    May, 2024

  • 基于深度多任务学习的双语稀缺情境神经机器翻译

    本文提出了一种基于多任务学习方法，利用源端的单语言语言资源来解决神经机器翻译中由于缺少平行文本造成模型质量差的问题，并采用语义分析、句法分析和命名实体识别等辅助任务以将语义和 / 或句法知识注入到翻译模型中，实现了在英法、英波斯和英越三种翻译任务上的有效性验证。

    May, 2018

  • 训练，分类，解释：学习诊断翻译模型

    本文介绍了一种基于神经文本分类器的方法，将自然语言处理中翻译模型的自动化评估与人类评估相结合，并揭示人机差异，其中包含翻译质量和人工智能的深入讨论。

    Mar, 2019

  • 使用双语词典进行神经机器翻译的持续学习

    该研究提出了一个评估框架，旨在评估神经机器翻译对持续学习新短语的能力，对不同的单词表示进行了单次学习方法的集成，并表明，必须解决这两个挑战才能成功使用双语词典。通过解决这两个挑战，我们能够将翻译新的、罕见的词汇和短语的能力从 30% 提高到 70% 以上，正确的词干甚至达到了 90% 以上。

    Feb, 2021

  • 跨语种分类中机器翻译的再次研究

    使用更强的机器翻译系统并减少原始文本训练和机器翻译文本推理之间的不匹配，翻译 - 测试可以比之前假定的效果更好，从而对跨语言分类的多语言模型的支配提出了质疑，并促使更多关注基于机器翻译的基准线。

    May, 2023

  • 多语言机器翻译的现实

    本书通过对多语言机器翻译的探讨阐述了自然语言处理、深度学习及多语言模型和迁移学习等相关问题，并提醒人们在构建大规模模型时需要考虑研究的包容性和生态痕迹。

    Feb, 2022

  • 机器翻译的双重学习

    提出了一种双向学习机制（dual-learning mechanism），通过强化学习过程，使用一个代理模型代表原始任务模型，另一个代理模型代表对偶任务模型，以无监督学习方式自动从无标注数据中学习。实验证明，该方法在英法翻译中表现良好，尤其是在使用单语数据的情况下。

    Nov, 2016

  • 机器之间的机器翻译：情感分类应用案例

    提出了一种神经机器翻译的方法，利用一种新的候选采样策略，基于强化学习技术提高翻译模型的机器导向性，从而产生最适合用作特定下游任务的自然语言处理组件输入的翻译结果，这种方法可以显著提高英文分类器对 Twitter 数据的情感分类的性能。

    Oct, 2019

  • 机器翻译文本的多语言多模态学习

    研究使用机器翻译英文多模态数据作为缺少多语言数据的高质量数据是否有效，并提出了 TD-MML 框架并在 IGLUE 基准测试中展示了它的有效性。

    Oct, 2022

  • 多语言语言模型是否在英语上思考得更好？

    本研究介绍了一种名为自我翻译的新方法，通过利用多语言语言模型的少样本翻译能力，克服了使用外部翻译系统的需求，并在五项任务中的实验证明自我翻译始终优于直接推理，在非英语语言提示下，语言模型无法充分利用其多语言潜力。

    Aug, 2023