論文の概要: Efficient yet Competitive Speech Translation: FBK@IWSLT2022

• arxiv url: http://arxiv.org/abs/2205.02629v1
• Date: Thu, 5 May 2022 13:13:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 22:56:46.115320
• Title: Efficient yet Competitive Speech Translation: FBK@IWSLT2022
• Title（参考訳）: 効率的だが競争力のある音声翻訳:fbk@iwslt2022
• Authors: Marco Gaido, Sara Papi, Dennis Fucci, Giuseppe Fiameni, Matteo Negri, Marco Turchi
• Abstract要約: ソース文字とターゲット文字の比を求める単純な手法が1BLEUの品質向上をもたらすことを示す。 トレーニングコストの削減という同じ目標に向けて、オフラインSTでトレーニングされた同じモデルで同時タスクに参加します。 MST-C en-de corpus (26.7 BLEU) で得られた高得点を用いて, 軽量トレーニング戦略の有効性を示す。
• 参考スコア（独自算出の注目度）: 16.863166577241152
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The primary goal of this FBK's systems submission to the IWSLT 2022 offline and simultaneous speech translation tasks is to reduce model training costs without sacrificing translation quality. As such, we first question the need of ASR pre-training, showing that it is not essential to achieve competitive results. Second, we focus on data filtering, showing that a simple method that looks at the ratio between source and target characters yields a quality improvement of 1 BLEU. Third, we compare different methods to reduce the detrimental effect of the audio segmentation mismatch between training data manually segmented at sentence level and inference data that is automatically segmented. Towards the same goal of training cost reduction, we participate in the simultaneous task with the same model trained for offline ST. The effectiveness of our lightweight training strategy is shown by the high score obtained on the MuST-C en-de corpus (26.7 BLEU) and is confirmed in high-resource data conditions by a 1.6 BLEU improvement on the IWSLT2020 test set over last year's winning system.
• Abstract（参考訳）: このfbkのシステムがiwslt 2022のオフラインおよび同時翻訳タスクに提出する主な目的は、翻訳品質を犠牲にすることなくモデルのトレーニングコストを削減することである。 そこで,我々はまず,ASR事前学習の必要性を疑問視し,競争結果を達成することが不可欠ではないことを示す。 次に,データフィルタリングに焦点をあて,ソースとターゲット文字の比率を調べる単純な手法が1BLEUの品質向上をもたらすことを示す。 第3に,音声セグメンテーションミスマッチが文レベルで手作業で区切られたトレーニングデータと,自動セグメンテーションされる推論データとの間に生じる悪影響を低減するために,異なる手法を比較した。 トレーニングコストの削減という同じ目標に向けて、我々は、オフラインSTでトレーニングした同じモデルを用いた同時作業に参加し、MST-C en-de corpus (26.7 BLEU) で得られた高得点を用いて、我々の軽量トレーニング戦略の有効性を示し、昨年の入賞システムにおけるIWSLT2020テストの1.6 BLEU改善により、高リソースデータ条件で確認した。

関連論文リスト

• Boosting Visual-Language Models by Exploiting Hard Samples [126.35125029639168]
  HELIPは、既存のCLIPモデルの性能を高めるための費用対効果戦略である。 我々の方法では、既存のモデルのトレーニングパイプラインと懸命に統合できます。 包括的なベンチマークでは、HELIPはパフォーマンス向上のために既存のモデルを継続的に強化する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Improving Neural Machine Translation by Denoising Training [95.96569884410137]
  本稿では,ニューラルネットワーク翻訳のためのトレーニングDoTの簡易かつ効果的な事前学習戦略を提案する。 モデルパラメータを、初期段階のソースおよびターゲットサイドのDenoisingタスクで更新し、正常にモデルをチューニングします。 実験によると、DoTは12のバイリンガルと16の多言語方向にわたるニューラルマシン翻訳性能を一貫して改善している。
  論文  参考訳（メタデータ） (2022-01-19T00:11:38Z)
• Sequence-level self-learning with multiple hypotheses [53.04725240411895]
  我々は、自動音声認識(ASR)のためのアテンションベースシーケンス・ツー・シーケンス(seq2seq)モデルを用いた新しい自己学習手法を開発した。 従来の教師なし学習手法とは対照的に,我々はEmphmulti-task Learning(MTL)フレームワークを採用する。 実験の結果,本手法は,英語データのみを用いてトレーニングしたベースラインモデルと比較して,英文音声データのWERを14.55%から10.36%に削減できることがわかった。
  論文  参考訳（メタデータ） (2021-12-10T20:47:58Z)
• A study on the efficacy of model pre-training in developing neural text-to-speech system [55.947807261757056]
  本研究の目的は,モデル事前学習がTSシステム性能に肯定的に寄与する理由と方法を明らかにすることである。 トレーニング前のデータを元のサイズの1/8に減らすと,TSシステムは同等の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-08T02:09:28Z)
• The USYD-JD Speech Translation System for IWSLT 2021 [85.64797317290349]
  本稿では,シドニー大学とJDが共同でIWSLT 2021低リソース音声翻訳タスクを提出したことを述べる。 私たちは、公式に提供されたASRとMTデータセットでモデルをトレーニングしました。 翻訳性能の向上を目的として, バック翻訳, 知識蒸留, 多機能再構成, トランスダクティブファインタニングなど, 最新の効果的な手法について検討した。
  論文  参考訳（メタデータ） (2021-07-24T09:53:34Z)
• Dealing with training and test segmentation mismatch: FBK@IWSLT2021 [13.89298686257514]
  本稿では,FIWLT 2021オフライン音声翻訳タスクに対するFBKのシステム適用について述べる。 英語の音声データをドイツ語のテキストに変換するために訓練されたトランスフォーマーベースのアーキテクチャである。 訓練パイプラインは、知識蒸留と2段階の微調整手順により特徴づけられる。
  論文  参考訳（メタデータ） (2021-06-23T18:11:32Z)
• A bandit approach to curriculum generation for automatic speech recognition [7.008190762572486]
  本稿では,自動カリキュラム学習を用いて,学習データの欠如を緩和する手法を提案する。 このアプローチの目的は、難易度でランク付けされたミニバッチのトレーニングシーケンスを最適化することである。 我々は,本手法を真に低リソースな言語で検証し,ベースライン移行学習モデルに対して,帯域幅フレームワークが優れた改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-02-06T20:32:10Z)
• A Simple but Tough-to-Beat Data Augmentation Approach for Natural Language Understanding and Generation [53.8171136907856]
  カットオフと呼ばれる、シンプルで効果的なデータ拡張戦略のセットを紹介します。 カットオフはサンプリング一貫性に依存しているため、計算オーバーヘッドが少なくなる。 cutoffは、敵のトレーニングを一貫して上回り、IWSLT2014 German- English データセットで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-09-29T07:08:35Z)

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。