基于集成与迁移学习的低资源机器翻译质量估计
计算与语言
2021-05-18 v1
摘要
机器翻译（MT）质量估计（QE）是一项对来自未知MT系统的给定翻译输出估计质量分数的任务。然而，低资源语言的QE分数通常难以处理且难以收集。本文关注第五届机器翻译会议（WMT20）的句子级QE共享任务，但处于更具挑战性的设定下。我们旨在预测给定翻译输出的QE分数，而训练时几乎未提供该配对语言的任何QE分数。我们提出一种基于集成的预测器-估计器QE模型并结合迁移学习，通过利用其他杂项语言的QE分数与目标语言的翻译结果来克服此类QE数据稀缺挑战。基于评估结果，我们详细分析了我们的各项扩展如何影响QE模型在多语言任务下执行迁移学习的可靠性与泛化能力。最终，我们凭借集成模型取得了最佳性能，该模型结合了以各单独语言预训练的模型及不同层级平行训练语料，Pearson相关系数为0.298，是基线的2.54倍。
引用
@article{arxiv.2105.07622,
title = {Ensemble-based Transfer Learning for Low-resource Machine Translation Quality Estimation},
author = {Ting-Wei Wu and Yung-An Hsieh and Yi-Chieh Liu},
journal= {arXiv preprint arXiv:2105.07622},
year = {2021}
}