Fugu-MT 論文翻訳(概要): Sentence Level Human Translation Quality Estimation with Attention-based Neural Networks

論文の概要: Sentence Level Human Translation Quality Estimation with Attention-based Neural Networks

arxiv url: http://arxiv.org/abs/2003.06381v1
Date: Fri, 13 Mar 2020 16:57:55 GMT
ステータス: 処理完了
システム内更新日: 2022-12-24 01:51:21.548020
Title: Sentence Level Human Translation Quality Estimation with Attention-based Neural Networks
Title（参考訳）: 注意に基づくニューラルネットワークを用いた文レベルの翻訳品質推定
Authors: Yu Yuan, Serge Sharoff
Abstract要約: 本稿では,人間の翻訳品質の自動推定にDeep Learning法を用いる方法について検討する。大規模な人間の注釈付きデータセットの実証結果は、ニューラルモデルが特徴に基づく手法を大幅に上回っていることを示している。
参考スコア（独自算出の注目度）: 0.30458514384586394
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper explores the use of Deep Learning methods for automatic estimation of quality of human translations. Automatic estimation can provide useful feedback for translation teaching, examination and quality control. Conventional methods for solving this task rely on manually engineered features and external knowledge. This paper presents an end-to-end neural model without feature engineering, incorporating a cross attention mechanism to detect which parts in sentence pairs are most relevant for assessing quality. Another contribution concerns of prediction of fine-grained scores for measuring different aspects of translation quality. Empirical results on a large human annotated dataset show that the neural model outperforms feature-based methods significantly. The dataset and the tools are available.
Abstract（参考訳）: 本稿では,人間の翻訳品質の自動推定にDeep Learning法を適用した。自動推定は翻訳指導、試験、品質管理に有用なフィードバックを提供する。この問題を解決する従来の方法は、手作業による特徴と外部知識に依存している。本稿では,文対のどの部分が品質評価に最も関連があるかを検出するクロスアテンション機構を組み込んだ,機能工学のないエンドツーエンドニューラルモデルを提案する。翻訳品質の異なる側面を測定するための微粒なスコアの予測に関するもう一つの貢献点である。大規模な人間の注釈付きデータセットの実証結果は、ニューラルモデルが特徴に基づく手法を大幅に上回っていることを示している。データセットとツールは利用可能である。

関連論文リスト

An Empirical Study on the Robustness of Massively Multilingual Neural Machine Translation [40.08063412966712]
多言語多言語ニューラルマシン翻訳(MMNMT)は低リソース言語の翻訳品質を高めることが証明されている。インドネシア・中国語翻訳のためのロバストネス評価ベンチマークデータセットを作成する。このデータセットは、異なるサイズの4つのNLLB-200モデルを使用して、自動的に中国語に翻訳される。
論文参考訳（メタデータ） (2024-05-13T12:01:54Z)
Exploring Precision and Recall to assess the quality and diversity of LLMs [82.21278402856079]
我々はtextscLlama-2 や textscMistral のような大規模言語モデル (LLM) のための新しい評価フレームワークを提案する。このアプローチにより、コーパスの整合を必要とせず、生成したテキストの品質と多様性を微妙に評価できる。
論文参考訳（メタデータ） (2024-02-16T13:53:26Z)
Lost in the Source Language: How Large Language Models Evaluate the Quality of Machine Translation [64.5862977630713]
本研究では,機械翻訳評価タスクにおいて,Large Language Models (LLM) がソースデータと参照データをどのように活用するかを検討する。参照情報が評価精度を大幅に向上させるのに対して,意外なことに,ソース情報は時として非生産的である。
論文参考訳（メタデータ） (2024-01-12T13:23:21Z)
MISMATCH: Fine-grained Evaluation of Machine-generated Text with Mismatch Error Types [68.76742370525234]
テキスト間のきめ細かいミスマッチに基づいて、7つのNLPタスクにおける人間の判断をモデル化する新しい評価手法を提案する。細粒度評価のためのNLPタスクの最近の取り組みに触発されて,13種類のミスマッチエラータイプを紹介した。 7つのNLPタスクから得られた有意なデータセットの文対間のミスマッチ誤差は,人間の評価とよく一致している。
論文参考訳（メタデータ） (2023-06-18T01:38:53Z)
Transfer Learning for Low-Resource Sentiment Analysis [1.2891210250935146]
本稿では,中央クルド人の感情分析のためのデータセットの収集とアノテーションについて述べる。このタスクのために、古典的な機械学習とニューラルネットワークベースのテクニックをいくつか探求する。
論文参考訳（メタデータ） (2023-04-10T16:44:44Z)
HanoiT: Enhancing Context-aware Translation via Selective Context [95.93730812799798]
コンテキスト対応ニューラルネットワーク翻訳は、文書レベルのコンテキストを使用して翻訳品質を改善することを目的としている。無関係または自明な単語は、いくつかのノイズをもたらし、モデルが現在の文と補助的な文脈の関係を学ぶのを邪魔する可能性がある。そこで本稿では,階層的選択機構を備えたエンド・ツー・エンドのエンコーダ・デコーダモデルを提案する。
論文参考訳（メタデータ） (2023-01-17T12:07:13Z)
Competency-Aware Neural Machine Translation: Can Machine Translation Know its Own Translation Quality? [61.866103154161884]
ニューラルマシン翻訳(NMT)は、意識せずに起こる失敗に対してしばしば批判される。本稿では,従来のNMTを自己推定器で拡張することで,新たな能力認識型NMTを提案する。提案手法は品質評価において優れた性能を示すことを示す。
論文参考訳（メタデータ） (2022-11-25T02:39:41Z)
Quality Estimation without Human-labeled Data [25.25993509174361]
品質評価は、参照翻訳にアクセスすることなく、翻訳されたコンテンツの質を測定することを目的としている。本稿では,人間アノテーションの例に頼らず,合成学習データを用いた手法を提案する。合成データの品質評価を教師するオフ・ザ・シェルフアーキテクチャをトレーニングし、結果として得られたモデルが、人間の注釈付きデータに基づいてトレーニングされたモデルに匹敵する性能を発揮することを示す。
論文参考訳（メタデータ） (2021-02-08T06:25:46Z)
Aspects of Terminological and Named Entity Knowledge within Rule-Based Machine Translation Models for Under-Resourced Neural Machine Translation Scenarios [3.413805964168321]
ルールベースの機械翻訳は、言語知識が専門家によって符号化される機械翻訳パラダイムである。ルールベース機械翻訳システムに含まれる情報を活用し、ニューラルマシン翻訳モデルを改善するための様々なアプローチについて述べる。その結果,提案モデルでは外部情報から学習する能力が限られていることが示唆された。
論文参考訳（メタデータ） (2020-09-28T15:19:23Z)
Computer Assisted Translation with Neural Quality Estimation and Automatic Post-Editing [18.192546537421673]
本稿では,機械翻訳出力の品質推定と自動編集のためのエンドツーエンドのディープラーニングフレームワークを提案する。我々のゴールは、誤り訂正の提案を提供することであり、解釈可能なモデルにより、人間の翻訳者の負担を軽減することである。
論文参考訳（メタデータ） (2020-09-19T00:29:00Z)
Salience Estimation with Multi-Attention Learning for Abstractive Text Summarization [86.45110800123216]
テキスト要約のタスクでは、単語、フレーズ、文のサリエンス推定が重要な要素である。本稿では,サラレンス推定のための2つの新しい注目学習要素を含むマルチアテンション学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-04-07T02:38:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。