EMNLPOct, 2023

IMTLab: 一个用于构建、评估和诊断交互式机器翻译系统的开源平台

PDF
TL;DRIMTLab 是一个开源的端到端的交互式机器翻译系统平台，它使研究人员能够快速构建具有最先进模型的交互式机器翻译系统，进行端到端评估，并诊断系统的不足之处。
imtlabend-to-end interactive machine translationtask-oriented dialoguehuman-in-the-loopprefix-constrained decoding approach
发现论文，激发创造
  • Synslator：一种具有在线学习功能的交互式机器翻译工具

    该论文介绍了 Synslator，这是一款用户友好的计算机辅助翻译工具，不仅支持交互式机器翻译（IMT），而且在实时翻译记忆的在线学习方面表现出色。通过评估，我们确认了在线学习的有效性，并观察到使用 Synslator 的交互功能将后期编辑效率提高了 13%。

    Oct, 2023

  • 利用在线学习展示神经机器翻译系统给翻译人员使用

    我们介绍了一个在线学习神经机器翻译的系统，并将其与专业翻译人员最常用的 SDL Trados Studio 用户界面集成，以节省机器不断学习和适应特定领域或用户风格的人类选择所需的时间和努力。

    Jun, 2019

  • Conversational SimulMT: 大型语言模型的高效实时翻译

    这篇论文提出了一种基于 LlM 的对话式 SimulMT 框架，通过多轮对话解码提高 LLM 的推理效率，在两个 SimulMT 基准测试中展示了 LLM 在翻译质量上的优越性以及与专用 SimulMT 模型相当的计算延迟。

    Feb, 2024

  • 基于神经机器翻译的实时翻译学习

    本论文提出了一种基于神经机器翻译的实时翻译框架，通过代理决策来实现翻译输出实时化并且具有可控的翻译质量与延迟，通过在两种语言对上的实验结果表明了该方法在定量与定性方面的有效性。

    Oct, 2016

  • 大语言模型的同时机器翻译

    利用大型语言模型进行同传机器翻译，在训练推理不匹配的问题上引入了简单而有效的混合策略，并且通过在完整和前缀句子的混合训练上进行监督微调，实现了显著的性能改进，证明大型语言模型可以在翻译质量和延迟方面达到与专用同传机器翻译模型相当的水平。

    Sep, 2023

  • SYSTRAN 的纯神经网络机器翻译系统

    本研究旨在分享我们在神经机器翻译领域的专业知识，创造出竞争力强且适用于不同用例的翻译引擎，在实际生产流程中实现特定领域的高效翻译。我们提供了一种同时发布多种语言在线演示程序的方法，并探索了不同的实用选项、网络架构和评估方法等。

    Oct, 2016

  • Simul-LLM：一个探索使用大型语言模型进行高质量同时翻译的框架

    大型语言模型在神经机器翻译中的应用被广泛研究，本文关注于将大型语言模型 fine-tuning 用于较困难的同时翻译任务，验证了经典方法在大型语言模型上的有效性，探索了将用于机器翻译的大型语言模型调整为同时翻译任务的适应方法，并引入 Simul-LLM，首个专注于同时翻译任务的开源 fine-tuning 和评估流程框架。

    Dec, 2023

  • 使用大型语言模型的自适应机器翻译

    本文旨在探究如何利用上下文学习的方法来提高实时自适应机器翻译的质量，并研究将强编码器 - 解码器模型和模糊匹配相结合以进一步提高翻译质量的方法。已在五个大不同的语言对上展开了实验。

    Jan, 2023

  • 多语言自动对话评估

    通过使用机器翻译来增强现有的英文对话数据，我们提出了一个绕过数据缺乏问题的方法，用于开发鲁棒的多语言对话评估指标，并通过实验证明，与仅使用源数据微调多语言模型的强基线相比，仅仅使用翻译数据微调预训练的多语言编码器模型的天真方法无法取得更好的性能。相反，最佳方法是通过使用机器翻译质量估计度量仔细策划翻译数据，排除低质量翻译对其性能的影响。

    Aug, 2023

  • 野外大规模多语言神经机器翻译：发现与挑战

    我们致力于构建一款通用的神经机器翻译系统，通过构建一个单一的大规模多语言 NMT 模型，实现了 103 种语言之间的翻译，带有有效的迁移学习能力，显着提高了低资源语言的翻译质量，同时保持高资源语言翻译质量与竞争双语基线相当，为实现通用 NMT 模型的质量和实用性提供了多个方面的模型构建分析，并指出未来研究的方向和需进一步解决的问题。

    Jul, 2019