通过多任务学习提升面向实体的机器翻译
人机交互
2025-07-08 v2 网络与互联网体系结构
机器人学
摘要
面向实体的机器翻译（EAMT）是自然语言处理中的一个复杂任务，由于翻译所需实体的翻译数据稀缺，以及在翻译这些实体时所需处理的上下文复杂度，使得该任务更加困难。本文提出了一种方法，通过多任务学习来优化两个子任务（即实体识别和机器翻译）的性能，从而提高最终的面向实体的机器翻译任务性能。我们在SemEval 2025 competition Task 2的组织者提供的数据集上进行结果和分析。
引用
@article{arxiv.2506.18317,
title = {Crowdsourcing Ubiquitous Indoor Localization with Non-Cooperative Wi-Fi Ranging},
author = {Emerson Sie and Enguang Fan and Federico Cifuentes-Urtubey and Deepak Vasisht},
journal= {arXiv preprint arXiv:2506.18317},
year = {2025}
}