面向同声机器翻译的无前瞻训练
计算与语言
2022-05-05 v2
摘要
同声机器翻译（SimulMT）通过在源句完全可用之前就开始翻译来加快翻译过程。由于上下文有限以及语言间的词序差异，该任务十分困难。现有方法通过增加延迟或引入自适应读写策略来处理局部重排并改善 SimulMT 模型的翻译质量。然而，长距离重排会使 SimulMT 模型错误地学习翻译。具体而言，模型可能被强制在对应源词尚未读入时预测目标词。这导致推理过程中的激进前瞻，引发幻觉现象。为缓解该问题，我们提出一种新框架，将翻译过程分解为单调翻译步骤与重排步骤，并通过辅助排序网络（ASN）对后者建模。ASN 重排隐状态以匹配目标语言中的顺序，从而使 SimulMT 模型能更合理地学习翻译。整个模型端到端优化，且不依赖外部对齐器或数据。推理时移除 ASN 以实现流式处理。实验表明所提框架能以更低延迟优于先前方法。
引用
@article{arxiv.2201.12868,
title = {Anticipation-Free Training for Simultaneous Machine Translation},
author = {Chih-Chiang Chang and Shun-Po Chuang and Hung-yi Lee},
journal= {arXiv preprint arXiv:2201.12868},
year = {2022}
}
备注
Accepted to IWSLT 2022