AligNART：通过联合学习估计对齐与翻译实现非自回归神经机器翻译

非自回归神经机器翻译（NART）模型受到多模态问题的困扰，该问题导致如词元重复等翻译不一致。近期大多数方法试图通过隐式建模输出间的依赖关系来解决此问题。在本文中，我们引入 AligNART，其利用完整的对齐信息来显式降低目标分布的模态。AligNART 将机器翻译任务划分为 $(i)$ 对齐估计与 $(ii)$ 使用对齐解码器输入的翻译，引导解码器专注于简化的一对一翻译。为缓解对齐估计问题，我们进一步提出一种新颖的对齐分解方法。我们的实验表明，在 WMT14 En$\leftrightarrow$De 和 WMT16 Ro$\rightarrow$En 上，AligNART 优于先前专注于显式模态降低的非迭代 NART 模型。此外，在 WMT14 En$\leftrightarrow$De 上，AligNART 取得了与最先进的基于连接主义时序分类的模型相当的 BLEU 分数。我们还观察到，即使在没有序列级知识蒸馏的情况下，AligNART 也有效解决了词元重复问题。