論文の概要: Zero-Shot Translation Quality Estimation with Explicit Cross-Lingual
Patterns
- arxiv url: http://arxiv.org/abs/2010.04989v1
- Date: Sat, 10 Oct 2020 13:11:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 23:12:58.715801
- Title: Zero-Shot Translation Quality Estimation with Explicit Cross-Lingual
Patterns
- Title(参考訳): 明示的言語間パターンを用いたゼロショット翻訳品質推定
- Authors: Lei Zhou, Liang Ding and Koichi Takeda
- Abstract要約: BERTScoreをQEに直接採用する際のテキストミスマッチの問題を実証的に明らかにする。
提案するゼロショットモデルに対して,単語アライメントや生成スコアなどの明示的な言語間パターンを公開することを提案する。
実験により、明示的な言語間パターンを持つQEモデルにより、ミスマッチの問題が軽減され、性能が向上することが示された。
- 参考スコア(独自算出の注目度): 33.827371239858984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper describes our submission of the WMT 2020 Shared Task on Sentence
Level Direct Assessment, Quality Estimation (QE). In this study, we empirically
reveal the \textit{mismatching issue} when directly adopting BERTScore to QE.
Specifically, there exist lots of mismatching errors between the source
sentence and translated candidate sentence with token pairwise similarity. In
response to this issue, we propose to expose explicit cross-lingual patterns,
\textit{e.g.} word alignments and generation score, to our proposed zero-shot
models. Experiments show that our proposed QE model with explicit cross-lingual
patterns could alleviate the mismatching issue, thereby improving the
performance. Encouragingly, our zero-shot QE method could achieve comparable
performance with supervised QE method, and even outperforms the supervised
counterpart on 2 out of 6 directions. We expect our work could shed light on
the zero-shot QE model improvement.
- Abstract(参考訳): 本稿では,WMT 2020 Shared Task on Sentence Level Direct Assessment, Quality Estimation (QE)の提出について述べる。
本研究では, qe に bertscore を直接適用する場合, 経験的に \textit{mismatching issue} を明らかにする。
具体的には、原文と翻訳候補文との間には、トークン対類似性のある誤りが多数存在する。
この問題に対応するために,提案するゼロショットモデルに対して,明示的なクロスリンガルパターン,例えば,単語アライメントや生成スコアを提示することを提案する。
実験により, 明示的な言語横断パターンを用いたqeモデルが誤マッチング問題を緩和し, 性能が向上することを示す。
ゼロショットQE法は教師付きQE法と同等の性能を達成でき、教師付きQE法は6方向中2方向よりも優れていた。
ゼロショットのQEモデルの改善に光を当てることを期待しています。
関連論文リスト
- Evaluating Generative Language Models in Information Extraction as Subjective Question Correction [49.729908337372436]
本稿では,新しい評価手法SQC-Scoreを提案する。
主観的質問訂正の原則に着想を得て,新しい評価手法SQC-Scoreを提案する。
3つの情報抽出タスクの結果から,SQC-Scoreは基準値よりもアノテータの方が好ましいことが示された。
論文 参考訳(メタデータ) (2024-04-04T15:36:53Z) - Don't Rank, Combine! Combining Machine Translation Hypotheses Using Quality Estimation [0.6998085564793366]
本研究は品質推定量(QE)を用いて翻訳を合成するQE融合を導入する。
提案手法は, 半数以上の症例において, 新規な翻訳を生成できることを実証する。
我々は、QE融合がプール内の候補数と線形にスケールすることを実証的に確立する。
論文 参考訳(メタデータ) (2024-01-12T16:52:41Z) - Zero-shot Translation of Attention Patterns in VQA Models to Natural
Language [65.94419474119162]
ZS-A2Tは、トレーニングを必要とせずに、与えられたモデルのトランスフォーマーアテンションを自然言語に変換するフレームワークである。
我々はこれを視覚質問回答(VQA)の文脈で考える。
私たちのフレームワークはトレーニングを一切必要とせず、異なるガイドソースをドロップインで置き換えることができます。
論文 参考訳(メタデータ) (2023-11-08T22:18:53Z) - Unify word-level and span-level tasks: NJUNLP's Participation for the
WMT2023 Quality Estimation Shared Task [59.46906545506715]
我々は、WMT 2023 Quality Estimation (QE)共有タスクにNJUNLPチームを紹介する。
私たちのチームは2つのサブタスクすべてで英語とドイツ語のペアの予測を提出しました。
我々のモデルは、単語レベルと細粒度エラースパン検出サブタスクの両方において、英語とドイツ語で最高の結果を得た。
論文 参考訳(メタデータ) (2023-09-23T01:52:14Z) - CTC-based Non-autoregressive Speech Translation [51.37920141751813]
非自己回帰音声翻訳における接続性時間分類の可能性について検討する。
我々は、CTCによって誘導される2つのエンコーダからなるモデルを構築し、ソースおよびターゲットテキストを予測する。
MuST-Cベンチマークの実験では、我々のNASTモデルは平均BLEUスコアが29.5であり、スピードアップは5.67$times$である。
論文 参考訳(メタデータ) (2023-05-27T03:54:09Z) - PAXQA: Generating Cross-lingual Question Answering Examples at Training
Scale [53.92008514395125]
PAXQA(クロスリンガル(x)QAのアノテーションの計画)は、クロスリンガルQAを2段階に分解する。
本稿では、並列ビットから制約されたエンティティを抽出する語彙制約機械翻訳の新たな利用法を提案する。
これらのデータセットに基づいて微調整されたモデルは、複数の抽出されたQAデータセット上で、先行合成データ生成モデルより優れていることを示す。
論文 参考訳(メタデータ) (2023-04-24T15:46:26Z) - Mismatching-Aware Unsupervised Translation Quality Estimation For
Low-Resource Languages [6.049660810617423]
XLMRScoreは、XLM-RoBERTa (XLMR)モデルで計算されたBERTScoreの言語間対応である。
WMT21QE共有タスクの4つの低リソース言語対に対して提案手法を評価する。
論文 参考訳(メタデータ) (2022-07-31T16:23:23Z) - Translation Error Detection as Rationale Extraction [36.616561917049076]
本稿では,現在最先端の文レベルQEモデルの振る舞いについて検討し,翻訳誤りを検出するために実際に説明が利用できることを示す。
単語レベルQEのための新しい半教師付き手法を導入し、(ii)特徴属性の妥当性を評価するための新しいベンチマークとしてQEタスクを提案する。
論文 参考訳(メタデータ) (2021-08-27T09:35:14Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。