論文の概要: Non-autoregressive Translation with Dependency-Aware Decoder

• arxiv url: http://arxiv.org/abs/2203.16266v1
• Date: Wed, 30 Mar 2022 12:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 21:44:14.179335
• Title: Non-autoregressive Translation with Dependency-Aware Decoder
• Title（参考訳）: 依存認識デコーダを用いた非自己回帰翻訳
• Authors: Jiaao Zhan, Qian Chen, Boxing Chen, Wen Wang, Yu Bai, Yang Gao
• Abstract要約: 非自己回帰翻訳(NAT)モデルは、入力からデコーダへの前のターゲットトークンへの依存を除去するため、翻訳品質が劣る。 本研究では,NATデコーダにおけるターゲット依存性を2つの視点から拡張するための,新しい汎用的アプローチを提案する。 実験により,提案手法は4つのWMT翻訳方向における高い競合性を持つNATモデルを一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 32.18389249619327
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Non-autoregressive translation (NAT) models suffer from inferior translation quality due to removal of dependency on previous target tokens from inputs to the decoder. In this paper, we propose a novel and general approach to enhance the target dependency within the NAT decoder from two perspectives: decoder input and decoder self-attention. First, we transform the initial decoder input from the source language space to the target language space through a novel attentive transformation process. The transformation reassembles the decoder input based on target token embeddings and conditions the final output on the target-side information. Second, before NAT training, we introduce an effective forward-backward pre-training phase, implemented with different triangle attention masks. This pre-training phase enables the model to gradually learn bidirectional dependencies for the final NAT decoding process. Experimental results demonstrate that the proposed approaches consistently improve highly competitive NAT models on four WMT translation directions by up to 1.88 BLEU score, while overall maintaining inference latency comparable to other fully NAT models.
• Abstract（参考訳）: 非自己回帰翻訳(NAT)モデルは、入力からデコーダへの前のターゲットトークンへの依存を除去するため、翻訳品質が劣る。 本稿では,NATデコーダ内のターゲット依存性をデコーダ入力とデコーダ自己アテンションの2つの視点から拡張するための,新しい汎用的アプローチを提案する。 まず、最初のデコーダ入力をソース言語空間からターゲット言語空間へ、新しい注意変換プロセスによって変換する。 変換は、ターゲットトークン埋め込みに基づいてデコーダ入力を再組み立て、最終出力をターゲット側情報に条件付けする。 第2に、NATトレーニングの前に、異なる三角形の注意マスクを用いて、効果的に前向きのトレーニング前フェーズを導入する。 この事前学習フェーズにより、最終的なNAT復号プロセスの双方向依存関係を徐々に学習することができる。 実験結果から,提案手法は4つのWMT翻訳方向のNATモデルを最大1.88 BLEUスコアで継続的に改善し,全体としてはNATモデルに匹敵する推論遅延を維持した。

関連論文リスト

• Non-autoregressive Machine Translation with Probabilistic Context-free Grammar [30.423141482617957]
  非自己回帰変換器(NAT)は、ニューラルマシン翻訳の推論を著しく加速する。 我々は,PCFG-NATを提案する。PCFG (Probabilistic Context-Free Grammar) は,複雑な依存関係を捕捉するNATモデルの能力を高めるために,特別に設計された確率的文脈自由文法(PCFG)を利用する。
  論文  参考訳（メタデータ） (2023-11-14T06:39:04Z)
• Revisiting Non-Autoregressive Translation at Scale [76.93869248715664]
  スケーリングが非自己回帰翻訳(NAT)行動に与える影響を系統的に研究する。 我々は、NATモデルの一般的な弱さを緩和し、結果として翻訳性能が向上することを示した。 我々は、スケールされたデータセット上でスケールされたNATモデルを検証することで、新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-05-25T15:22:47Z)
• RenewNAT: Renewing Potential Translation for Non-Autoregressive Transformer [15.616188012177538]
  非自己回帰型ニューラルネットワーク翻訳(NAT)モデルは、比較的高い性能を維持しつつ、推論プロセスを加速するために提案される。 既存のNATモデルは、望ましい効率品質のトレードオフを達成するのは難しい。 高い効率と効率性を持つフレキシブルなフレームワークであるRenewNATを提案する。
  論文  参考訳（メタデータ） (2023-03-14T07:10:03Z)
• Sequence-Level Training for Non-Autoregressive Neural Machine Translation [33.17341980163439]
  非自己回帰ニューラルネットワーク変換(NAT)は自己回帰機構を取り除き、大幅なデコード高速化を実現する。 本研究では,NATの出力を全体として評価し,実際の翻訳品質とよく相関するNATモデルをトレーニングするためのシーケンスレベルのトレーニング目標を提案する。
  論文  参考訳（メタデータ） (2021-06-15T13:30:09Z)
• Fully Non-autoregressive Neural Machine Translation: Tricks of the Trade [47.97977478431973]
  NAT(Fullly non-autoregressive neural Machine Translation)は、ニューラルネットワークのシングルフォワードでトークンを同時に予測する手法である。 この作業では、レイテンシのアドバンテージを維持しながら、パフォーマンスのギャップを縮めることを目標としています。
  論文  参考訳（メタデータ） (2020-12-31T18:52:59Z)
• Multi-Task Learning with Shared Encoder for Non-Autoregressive Machine Translation [32.77372312124259]
  非自己回帰機械翻訳(NAT)モデルでは推論速度が著しく向上しているが、翻訳精度は劣っている。 本稿では,自動回帰機械翻訳の知識をエンコーダの共有を通じてNATモデルに伝達するマルチタスク学習を提案する。 WMT14英語-ドイツ語とWMT16英語-ルーマニアのデータセットの実験結果は、提案されたマルチタスクNATがベースラインNATモデルよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2020-10-24T11:00:58Z)
• Task-Level Curriculum Learning for Non-Autoregressive Neural Machine Translation [188.3605563567253]
  非自己回帰翻訳(NAT)は高速な推論速度を実現するが、自己回帰翻訳(AT)と比較して精度が悪くなる 本稿では、中間タスクとして半自己回帰翻訳(SAT)を導入し、ATとNATを特殊なケースとして扱う。 我々は、k を 1 から N に段階的にシフトさせるカリキュラムスケジュールを設計する。 IWSLT14 De-En, IWSLT16 En-De, WMT14 En-De, De-Enデータセットの実験により、TCL-NATは以前のNATベースラインよりも大幅に精度が向上したことが示された。
  論文  参考訳（メタデータ） (2020-07-17T06:06:54Z)
• LAVA NAT: A Non-Autoregressive Translation Model with Look-Around Decoding and Vocabulary Attention [54.18121922040521]
  非自己回帰翻訳(NAT)モデルは、1つの前方通過で複数のトークンを生成する。 これらのNATモデルは、しばしば多重性の問題に悩まされ、重複トークンや欠落トークンを生成する。 本稿では,この問題を解決するための新しい方法として,Look-Around(LA)戦略とVocabulary Attention(VA)メカニズムを提案する。
  論文  参考訳（メタデータ） (2020-02-08T04:11:03Z)
• Bi-Decoder Augmented Network for Neural Machine Translation [108.3931242633331]
  本稿では,ニューラルマシン翻訳タスクのためのBi-Decoder Augmented Network (BiDAN)を提案する。 各デコーダは入力されたテキストの表現を対応する言語に変換するため、2つの目的語と共同でトレーニングすることで、共有エンコーダは言語に依存しない意味空間を生成することができる。
  論文  参考訳（メタデータ） (2020-01-14T02:05:14Z)

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。