論文の概要: Tackling Low-Resourced Sign Language Translation: UPC at WMT-SLT 22

• arxiv url: http://arxiv.org/abs/2212.01140v1
• Date: Fri, 2 Dec 2022 12:42:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 15:57:21.307172
• Title: Tackling Low-Resourced Sign Language Translation: UPC at WMT-SLT 22
• Title（参考訳）: 低リソース手話翻訳への取り組み: UPC at WMT-SLT 22
• Authors: Laia Tarr\'es, Gerard I. G\`allego, Xavier Gir\'o-i-Nieto, Jordi Torres
• Abstract要約: 本稿では,機械翻訳ワークショップ2022手話翻訳タスクのためにカタルーニャ大学ポリテシカ校で開発されたシステムについて述べる。 本研究では、Fairseqモデリングツールキットで実装されたTransformerモデルを用いる。 我々は,語彙サイズ,データ拡張手法,ENIX-14Tデータセットを用いた事前学習実験を行った。
• 参考スコア（独自算出の注目度）: 4.382973957294345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the system developed at the Universitat Polit\`ecnica de Catalunya for the Workshop on Machine Translation 2022 Sign Language Translation Task, in particular, for the sign-to-text direction. We use a Transformer model implemented with the Fairseq modeling toolkit. We have experimented with the vocabulary size, data augmentation techniques and pretraining the model with the PHOENIX-14T dataset. Our system obtains 0.50 BLEU score for the test set, improving the organizers' baseline by 0.38 BLEU. We remark the poor results for both the baseline and our system, and thus, the unreliability of our findings.
• Abstract（参考訳）: 本稿では, カタルーニャ大学(universitat polit\`ecnica de catalunya) において, 機械翻訳2022手話翻訳に関するワークショップ, 特に手話による手話翻訳作業のために開発されたシステムについて述べる。 Fairseqモデリングツールキットで実装されたTransformerモデルを使用する。 PHOENIX-14Tデータセットを用いて,語彙サイズ,データ拡張手法,モデルの事前学習実験を行った。 本システムは,テストセットに対して0.50 bleuスコアを取得し,主催者のベースラインを0.38 bleu改善する。 我々は,ベースラインとシステムの両方について,結果の貧弱さを指摘し,その結果の信頼性の欠如を指摘した。

関連論文リスト

• Speech Translation with Foundation Models and Optimal Transport: UPC at IWSLT23 [0.0]
  本稿では,UPC 機械翻訳グループの IWSLT 2023 オフライン音声翻訳タスクへの提出について述べる。 我々の音声翻訳システムは、音声(wav2vec 2.0)とテキスト(mBART50)の基礎モデルを利用する。 そこで本研究では,CTC と Optimal Transport を用いた音声とテキストエンコーダのシームズ事前学習ステップを導入し,音声表現をテキストモデルの空間に適応させる。
  論文  参考訳（メタデータ） (2023-06-02T07:48:37Z)
• 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)
• Tencent AI Lab - Shanghai Jiao Tong University Low-Resource Translation System for the WMT22 Translation Task [49.916963624249355]
  本稿では, Tencent AI Lab - Shanghai Jiao Tong University (TAL-SJTU) Low-Resource Translation system for the WMT22 shared taskについて述べる。 我々は、英語$Leftrightarrow$Livonianの一般的な翻訳作業に参加する。 本システムは,M2M100を対象言語に適応させる新しい手法を用いて構築した。
  論文  参考訳（メタデータ） (2022-10-17T04:34:09Z)
• The YiTrans End-to-End Speech Translation System for IWSLT 2022 Offline Shared Task [92.5087402621697]
  本稿では,IWSLT 2022オフラインタスクに対するエンドツーエンドYiTrans音声翻訳システムの提案について述べる。 YiTransシステムは、大規模な訓練済みエンコーダデコーダモデル上に構築されている。 最終提出は自動評価基準でまず英語・ドイツ語・英語・中国語のエンド・ツー・エンド・システムにランク付けする。
  論文  参考訳（メタデータ） (2022-06-12T16:13:01Z)
• 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)
• The Volctrans Neural Speech Translation System for IWSLT 2021 [26.058205594318405]
  本稿では,Volctrans チームが IWSLT 2021 に提出したシステムについて述べる。 オフライン音声翻訳では,ベンチマークよりも8.1 BLEUの改善を実現している。 テキスト間同時翻訳では,wait-kモデルを最適化する最善の方法を検討する。
  論文  参考訳（メタデータ） (2021-05-16T00:11:59Z)
• DiDi's Machine Translation System for WMT2020 [51.296629834996246]
  我々は中国語>英語の翻訳指導に参画する。 この方向では、ベースラインモデルとしてTransformerを使用します。 その結果,日英のBLEUスコアは36.6ドルとなった。
  論文  参考訳（メタデータ） (2020-10-16T06:25:48Z)
• Pronoun-Targeted Fine-tuning for NMT with Hybrid Losses [6.596002578395152]
  我々は,訓練された機械翻訳モデルの微調整に使用する条件付き生成-識別ハイブリッド損失のクラスを導入する。 我々は、追加データを用いることなく、文レベルと文脈モデルの両方のモデル性能を改善する。 文レベルモデルではWMT14とIWSLT13の両テストセットで0.5BLEUの改善が見られた。 我々の文脈モデルは WMT14 De-En テストセットにおいて 31.81 から 32 BLEU に改善され、IWSLT13 De-En では 32.10 から 33.13 に改善された。
  論文  参考訳（メタデータ） (2020-10-15T10:11:40Z)
• 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。

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。