该研究在多语言模型中将机器翻译与自然语言文本区分开来，通过对数据进行标记，使得机器翻译输出更接近自然语言文本，从而提高翻译质量评分。

Nov, 2019

本文研究了跨语言文本摘要中的翻译现象并探究了其对模型性能和评估的影响，提出了建立适合低资源语言的 CLS 系统的方法，并提供了数据集和模型发展的建议。

Dec, 2022

分析研究表明翻译产生的语言特征会对机器翻译的评估结果产生负面影响，为此我们建议排除反向创建的测试数据。同时提出了过去机器翻译评估的重新评估以及如何提高所有三个过去评估的可靠性的潜在方法。通过对过去评估中应用的显著性检验进行统计功效分析，提供可靠的人机对抗检验测试的最佳样本数量的指导建议。最后，提供未来机器翻译评估的全面检查清单。

Jun, 2019

本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法，利用样式偏好信息和单词嵌入相似性来生成伪平行数据，并采用迭代回译方法来联合训练两个神经机器翻译（NMT）系统，其中引入样式分类器来控制噪声。实验表明，该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。

Aug, 2018

本文重点研究了机器翻译的质量估计，通过对比使用不同方向的平行数据在数据增强方面的影响，发现使用原文作为源数据可以带来相对较好的效果。

Dec, 2022

通过将翻译分为生成草稿和翻译草稿的两个步骤，借助于无监督技术，我们可以快速生成无监督神经机器翻译系统。将该过程应用于 14 种测试语言，对于从未被用于无监督机器翻译的低资源语言，我们获得了良好的结果。

Jun, 2019

本研究描述了一系列双语英语 - 法语和英语 - 德语平行语料库，其中翻译方向经过准确可靠的注释。这些语料库多样化，包括议会议事录、文学作品、TED 演讲的抄录和政治评论。它们将对翻译和机器翻译的语言研究和应用具有重大意义，特别是在翻译 ese 识别方面，这是近年来越来越受到关注的研究方向。为了验证语料库的质量和可靠性，我们复制了先前在翻译 ese 的监督和无监督识别方面的结果，并将实验进一步扩展到其他数据集和语言。

Sep, 2015

翻译术语对机器翻译评价产生影响，此文章提出了新数据集 CausalMT 并分析了其中两个重要因素，即训练测试方向匹配和数据模型方向匹配对机器翻译性能的因果影响，提出了改进机器翻译训练和评估的建议。

May, 2022

本研究提出了一种新的解决跨语言自然语言处理中翻译语言特征（translationese）影响的方法，并且使用 Iterative Null-space Projection（INLP）算法将翻译语言特征降低到了句子和单词级别，通过评估自然语言推理（NLI）任务的效果发现，降低这种偏差可以改善 NLI 的准确率，这是首次在潜在状态空间中对 translationese 进行去偏置的研究。

May, 2022

通过利用附加单语资源来创建合成训练数据，可以提高神经机器翻译的质量，本文探讨了前向翻译和反向翻译在翻译源语句子和目标语句子时的优点，并研究了不同地域、语言和噪音环境下翻译的影响。另外，本文还给出了低资源情况下前向和反向翻译的比较。

Nov, 2019