Fugu-MT 論文翻訳(概要): IntelliCAT: Intelligent Machine Translation Post-Editing with Quality Estimation and Translation Suggestion

論文の概要: IntelliCAT: Intelligent Machine Translation Post-Editing with Quality Estimation and Translation Suggestion

arxiv url: http://arxiv.org/abs/2105.12172v1
Date: Tue, 25 May 2021 19:00:22 GMT
ステータス: 処理完了
システム内更新日: 2021-05-28 08:05:14.973602
Title: IntelliCAT: Intelligent Machine Translation Post-Editing with Quality Estimation and Translation Suggestion
Title（参考訳）: IntelliCAT: 品質推定と翻訳提案を備えたインテリジェント機械翻訳後編集
Authors: Dongjun Lee, Junhyeong Ahn, Heesoo Park, Jaemin Jo
Abstract要約: 我々は、機械翻訳出力における後処理プロセスを合理化するための、ニューラルネットワークを用いた対話型翻訳インタフェースであるIntelliCATを提案する。文レベルQEと単語レベルQEの2つの品質推定モデルを用いて,機械翻訳文の品質を予測し,修正が必要な機械翻訳文の一部を特定する。単語アライメントにより、IntelliCATは翻訳された文書に元の文書のスタイルを自動的に保存する。
参考スコア（独自算出の注目度）: 13.727763221832532
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present IntelliCAT, an interactive translation interface with neural models that streamline the post-editing process on machine translation output. We leverage two quality estimation (QE) models at different granularities: sentence-level QE, to predict the quality of each machine-translated sentence, and word-level QE, to locate the parts of the machine-translated sentence that need correction. Additionally, we introduce a novel translation suggestion model conditioned on both the left and right contexts, providing alternatives for specific words or phrases for correction. Finally, with word alignments, IntelliCAT automatically preserves the original document's styles in the translated document. The experimental results show that post-editing based on the proposed QE and translation suggestions can significantly improve translation quality. Furthermore, a user study reveals that three features provided in IntelliCAT significantly accelerate the post-editing task, achieving a 52.9\% speedup in translation time compared to translating from scratch. The interface is publicly available at https://intellicat.beringlab.com/.
Abstract（参考訳）: 我々は、機械翻訳出力における後処理プロセスを合理化するニューラルネットワークを用いた対話型翻訳インタフェースであるIntelliCATを提案する。各機械翻訳文の品質を予測する文レベルqeと、修正を必要とする機械翻訳文の部分を特定する単語レベルqeの2つの粒度で品質推定(qe)モデルを利用する。さらに、左右の文脈を条件とした新しい翻訳提案モデルを導入し、修正のための特定の単語や句の代替案を提供する。最後に、単語アライメントにより、IntelliCATは翻訳された文書に元の文書のスタイルを自動的に保存する。提案するqeと翻訳提案に基づく後編集により,翻訳品質が著しく向上することを示す。さらに、ユーザ調査により、intellicatが提供する3つの機能は、スクラッチからの翻訳に比べて翻訳時間の52.9\%のスピードアップを達成し、後編集タスクを著しく加速することが判明した。インターフェースはhttps://intellicat.beringlab.com/で公開されている。

関連論文リスト

Contextual Label Projection for Cross-Lingual Structured Prediction [103.55999471155104]
CLaPはテキストを対象言語に翻訳し、翻訳されたテキストをコンテキストとしてラベルにコンテキスト変換を行う。 39言語間のゼロショット言語間転送において,CLaPと他のラベル投影手法のベンチマークを行った。
論文参考訳（メタデータ） (2023-09-16T10:27:28Z)
The Devil is in the Errors: Leveraging Large Language Models for Fine-grained Machine Translation Evaluation [93.01964988474755]
AutoMQMは,大規模な言語モデルに対して,翻訳におけるエラーの識別と分類を求めるプロンプト技術である。テキスト内学習と微調整によるラベル付きデータの影響について検討する。次に, PaLM-2モデルを用いてAutoMQMを評価し, スコアのプロンプトよりも性能が向上することがわかった。
論文参考訳（メタデータ） (2023-08-14T17:17:21Z)
MTUncertainty: Assessing the Need for Post-editing of Machine Translation Outputs by Fine-tuning OpenAI LLMs [6.822926897514793]
TQEは機械翻訳(MT)と人間翻訳(HT)の両方の品質を基準翻訳なしで評価する上で重要である。この目的のために,最先端の大規模言語モデル (LLM) が利用できるかを検討する。 OpenAIモデルを最先端技術として捉え、バイナリ分類タスクとしてTQEにアプローチします。
論文参考訳（メタデータ） (2023-07-31T21:13:30Z)
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)
Easy Guided Decoding in Providing Suggestions for Interactive Machine Translation [14.615314828955288]
我々は、新しい制約付きデコーディングアルゴリズム、すなわちPrefix Suffix Guided Decoding (PSGD)を提案する。 PSGDは平均で10.87ドルのBLEUと8.62ドルのBLEUをWeTSとWMT 2022のTranslation Suggestionデータセットで改善している。
論文参考訳（メタデータ） (2022-11-14T03:40:02Z)
Rethink about the Word-level Quality Estimation for Machine Translation from Human Judgement [57.72846454929923]
ベンチマークデータセットであるemphHJQEを作成し、専門家翻訳者が不適切な翻訳語を直接アノテートする。本稿では,タグリファインメント戦略と木ベースのアノテーション戦略という2つのタグ補正戦略を提案し,TERベースの人工QEコーパスをemphHJQEに近づける。その結果,提案したデータセットは人間の判断と一致しており,また,提案したタグ補正戦略の有効性も確認できた。
論文参考訳（メタデータ） (2022-09-13T02:37:12Z)
BitextEdit: Automatic Bitext Editing for Improved Low-Resource Machine Translation [53.55009917938002]
自動編集によりマイニングしたビットクストを改良することを提案する。提案手法は,5つの低リソース言語ペアと10の翻訳方向に対して,最大8個のBLEUポイントでCCMatrixマイニングビットクストの品質を向上することを示す。
論文参考訳（メタデータ） (2021-11-12T16:00:39Z)
ChrEnTranslate: Cherokee-English Machine Translation Demo with Quality Estimation and Corrective Feedback [70.5469946314539]
ChrEnTranslateは、英語と絶滅危惧言語チェロキーとの翻訳のためのオンライン機械翻訳デモシステムである。統計モデルとニューラルネットワークモデルの両方をサポートし、信頼性をユーザに通知するための品質評価を提供する。
論文参考訳（メタデータ） (2021-07-30T17:58:54Z)
Verdi: Quality Estimation and Error Detection for Bilingual [23.485380293716272]
Verdiはバイリンガルコーパスのための単語レベルおよび文レベルの後編集作業推定のための新しいフレームワークである。バイリンガルコーパスの対称性を活用し,NMT予測器にモデルレベル二重学習を適用した。我々の手法は競争の勝者を圧倒し、他の基準法よりも大きなマージンで上回る。
論文参考訳（メタデータ） (2021-05-31T11:04:13Z)
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)
Practical Perspectives on Quality Estimation for Machine Translation [6.400178956011897]
機械翻訳(MT)のための文レベル品質推定(QE)は、MT出力の修正に必要な後編集作業の翻訳編集率(TER)コストを予測しようとする。 MT出力の利用者はバイナリ品質の指標に主に興味を持っている:翻訳文は適当か、それとも後編集が必要か? 従来のQE回帰モデルは、このタスクでは不十分であったが、出力回帰層をバイナリ分類に置き換えて、90%の精度で50-60%のリコールを達成できることを実証した。
論文参考訳（メタデータ） (2020-05-02T01:50:10Z)

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。