ACLJun, 2024

渥太华：用于幻觉和遗漏翻译错误检测的最优输运自适应词对齐器

PDF
TL;DR我们介绍了一种基于 Optimal Transport 的单词对齐器 OTTAWA，旨在增强机器翻译系统中幻觉和遗漏的检测能力。与现有方法相比，在 HalOmi 基准测试的 18 种语言对上，我们的方法取得了竞争性的结果，并具有识别错误类型和进行单词级检测的能力，而无需访问机器翻译系统的内部状态。
hallucinationsomissionsmachine translationottawaword aligner
发现论文，激发创造
  • 词对齐作为机器翻译的偏好

    通过引导基于大型语言模型的机器翻译模型进行更好的词对齐，我们在这项工作中缓解了机器翻译中长期存在的幻觉和遗漏问题，并通过选择困难示例和使用 GPT-4 直接评估模型的性能来验证了所设计的评估方法的合理性和有效性。

    May, 2024

  • 神经机器翻译中无监督幻象检测的最优输运

    本文讨论如何通过优化传输和一个完全无监督的插件来检测 NMT 中的幻觉，并表明该检测器不仅优于所有先前的基于模型的检测器，而且与训练在数百万个样本上的大型模型的检测器有竞争力。

    Dec, 2022

  • HalOmi: 一份手动标注的跨语言机器翻译幻觉与遗漏检测基准集

    本论文发布一个注释数据集用于检测机器翻译中出现的幻觉和省略现象，并重新访问了以前的幻觉和省略检测方法，建立了新的坚实基础。

    May, 2023

  • 非平衡词对齐的非平衡最优输运

    本文研究了单语词汇对齐中的空对齐现象并提出了使用最优传输方法实现不均衡对齐且与专门设计的方法具有竞争力的方法。

    Jun, 2023

  • MM-Align: 基于最优输运的对齐动力学学习，以实现快速准确推断缺失模态序列

    本文介绍一种名为 MM-Align 的新方法，利用最优传输理论中的对齐动力学学习模块和去噪训练算法，针对缺失多模态数据进行推断。通过在覆盖两个多模态任务的三个数据集上进行全面实验，结果表明我们的方法可以在各种缺失条件下执行更精确和更快的推断，并减轻过度拟合问题。

    Oct, 2022

  • 寻找稻草堆中的针头：神经机器翻译中幻觉的全面研究

    本文研究了神经机器翻译中的幻觉问题，提出了一种基于不确定性的检测方法，并探究了 DeHallucinator 方法在测试阶段缓解幻觉的效果。此外，作者还发布了一个标注数据集用于未来研究。

    Aug, 2022

  • 使用学生强制最优传输改善文本生成

    利用最大似然估计进行神经语言模型训练时，存在曝光偏差问题。提出使用最优传输匹配训练和测试时的序列，以及基于文本序列的结构和上下文信息进一步改进最优传输学习，有效改善了机器翻译、文本摘要和文本生成任务的表现。

    Oct, 2020

  • 关于同时机器翻译中的虚构问题

    通过对 SiMT 中幻觉的两个角度进行综合分析，即对幻觉词的分布和目标端上下文使用进行理解，研究发现通过减少 SiMT 中目标端信息的过度使用，可以减轻幻觉现象。

    Jun, 2024

  • 神经机器翻译中的生僻词问题解决方案

    本文介绍一种利用词对齐算法的数据增强方法来解决神经机器翻译中 out-of-vocabulary 词的翻译问题，并结合字典翻译在 WMT14 英 - 法翻译任务上实现比不使用该方法更高的 BLEU 分数。

    Oct, 2014

  • 理性文本匹配：通过最优传输学习稀疏对齐

    使用最优传输方法对文本匹配进行有选择的说明性解释，结果产生高度稀疏的对齐，并具有与强注意力基线模型相当的预测准确度。

    May, 2020