Fugu-MT 論文翻訳(概要): TransQuest at WMT2020: Sentence-Level Direct Assessment

論文の概要: TransQuest at WMT2020: Sentence-Level Direct Assessment

arxiv url: http://arxiv.org/abs/2010.05318v1
Date: Sun, 11 Oct 2020 18:53:05 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 13:34:18.737133
Title: TransQuest at WMT2020: Sentence-Level Direct Assessment
Title（参考訳）: WMT2020のTransQuest: Sentence-Level Direct Assessment
Authors: Tharindu Ranasinghe, Constantin Orasan, Ruslan Mitkov
Abstract要約: 言語間変換に基づく簡単なQEフレームワークを提案する。 2つの異なるニューラルアーキテクチャの実装と評価に使用しています。当社のアプローチは,WMT 2020の公式調査結果によると,すべての言語ペアにおいて,勝利のソリューションです。
参考スコア（独自算出の注目度）: 14.403165053223395
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the team TransQuest's participation in Sentence-Level Direct Assessment shared task in WMT 2020. We introduce a simple QE framework based on cross-lingual transformers, and we use it to implement and evaluate two different neural architectures. The proposed methods achieve state-of-the-art results surpassing the results obtained by OpenKiwi, the baseline used in the shared task. We further fine tune the QE framework by performing ensemble and data augmentation. Our approach is the winning solution in all of the language pairs according to the WMT 2020 official results.
Abstract（参考訳）: 本稿では,WMT 2020におけるTransQuestのSentence-Level Direct Assessment共有タスクへの参加について述べる。言語間変換をベースとした簡単なQEフレームワークを導入し、2つの異なるニューラルアーキテクチャの実装と評価に使用します。提案手法は,共有タスクで使用されるベースラインであるOpenKiwiの結果を上回り,最先端の結果が得られる。我々はさらに、アンサンブルとデータ拡張を行い、QEフレームワークを微調整する。私たちのアプローチは、wmt 2020の公式結果によると、すべての言語ペアの勝利ソリューションです。

関連論文リスト

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)
BJTU-WeChat's Systems for the WMT22 Chat Translation Task [66.81525961469494]
本稿では,WMT'22チャット翻訳タスクに対して,北京地東大学とWeChat AIを共同で提案する。 Transformerに基づいて、いくつかの有効な変種を適用します。本システムでは,0.810と0.946のCOMETスコアを達成している。
論文参考訳（メタデータ） (2022-11-28T02:35:04Z)
Alibaba-Translate China's Submission for WMT 2022 Quality Estimation Shared Task [80.22825549235556]
我々は、UniTEという品質評価共有タスクにおいて、文レベルのMQMベンチマークを提出する。具体的には、トレーニング中に3種類の入力形式と事前学習された言語モデルを組み合わせたUniTEのフレームワークを用いる。その結果,我々のモデルは多言語・英語・ロシア語設定では第1位,英語・ドイツ語・中国語設定では第2位に達した。
論文参考訳（メタデータ） (2022-10-18T08:55:27Z)
Alibaba-Translate China's Submission for WMT 2022 Metrics Shared Task [61.34108034582074]
私たちはUNITE(Unified Translation Evaluation)のコアアイデアに基づいてシステムを構築します。モデル事前学習の段階では、まず擬似ラベル付きデータ例をUNITEの継続事前訓練に適用する。微調整の段階では、過去のWMTコンペティションの直接評価(DA)と多次元品質メトリクス(MQM)のデータの両方を使用します。
論文参考訳（メタデータ） (2022-10-18T08:51:25Z)
UniTE: Unified Translation Evaluation [63.58868113074476]
UniTEは3つの評価タスクをすべて処理する能力に携わる最初の統合フレームワークである。 We testify our framework on WMT 2019 Metrics and WMT 2020 Quality Estimation benchmarks。
論文参考訳（メタデータ） (2022-04-28T08:35:26Z)
QEMind: Alibaba's Submission to the WMT21 Quality Estimation Shared Task [24.668012925628968]
我々は、WMT 2021 QE共有タスクに提出する。テキストQEMindというQEシステムを構築するための翻訳の不確実性を評価するために有用な機能をいくつか提案する。我々は、WMT 2020のダイレクトアセスメントQEタスクにおいて、我々の多言語システムが最高のシステムより優れていることを示す。
論文参考訳（メタデータ） (2021-12-30T02:27:29Z)
The JHU-Microsoft Submission for WMT21 Quality Estimation Shared Task [14.629380601429956]
本稿では,WMT 2021の品質評価共有タスクに対するJHU-Microsoft共同提案を提案する。我々は,目標側の単語レベルの品質評価に焦点をあて,共有タスクのタスク2(後編集作業推定)にのみ参加する。我々は,広く採用されているOpenKiwi-XLMベースラインと比較して,システムの競争力を示す。
論文参考訳（メタデータ） (2021-09-17T19:13:31Z)
TransQuest: Translation Quality Estimation with Cross-lingual Transformers [14.403165053223395]
言語間変換に基づく簡単なQEフレームワークを提案する。 2つの異なるニューラルアーキテクチャの実装と評価に使用しています。評価の結果,提案手法は最先端の結果が得られることがわかった。
論文参考訳（メタデータ） (2020-11-01T16:34:44Z)
Unbabel's Participation in the WMT20 Metrics Shared Task [8.621669980568822]
We present the contribution of the Unbabel team to the WMT 2020 Shared Task on Metrics。すべての言語ペアでセグメントレベル、文書レベル、システムレベルのトラックに参加するつもりです。前年度のテストセットを参考に、これらのトラックでモデルの結果を説明します。
論文参考訳（メタデータ） (2020-10-29T12:59:44Z)
Learning to Evaluate Translation Beyond English: BLEURT Submissions to the WMT Metrics 2020 Shared Task [30.889496911261677]
本稿では,WMT 2020 Metrics Shared Taskへのコントリビューションについて述べる。我々は、移動学習に基づくメトリクスBLEURTに基づいていくつかの提案を行う。 BLEURTの予測とYiSiの予測を組み合わせ、代替参照変換を用いて性能を向上させる方法を示す。
論文参考訳（メタデータ） (2020-10-08T23:16:26Z)
WeChat Neural Machine Translation Systems for WMT20 [61.03013964996131]
本システムは,有効な変種とDTMTアーキテクチャを備えたTransformerをベースとしている。実験では,データ選択,複数の合成データ生成手法,高度な微調整手法,自己視覚モデルアンサンブルを用いた。制約のある中国語と英語のシステムでは36.9のケースセンシティブなBLEUスコアが得られます。
論文参考訳（メタデータ） (2020-10-01T08:15:09Z)

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。