通过 Unknown Token 对抗策略扩展神经机器翻译的对抗策略
计算与语言
2025-01-22 v1
摘要
生成对抗样本有助于主流神经机器翻译（NMT）的鲁棒性。然而，流行的对抗策略适用于固定分词，阻碍其针对涉及灵活分词的常见字符扰动的有效性。基于现有通过强化学习（RL）生成的对抗方法，我们提出 `DexChar 策略'，引入字符扰动以适应基于 token 替换的主流对抗策略。进一步，我们改进了自监督匹配，以在 RL 中提供反馈，满足训练对抗者期间的语义约束。实验表明，我们的方法与基线对抗失败的情景相容，能够为分析和系统优化生成高效的对抗样本。
引用
@article{arxiv.2501.12183,
title = {Extend Adversarial Policy Against Neural Machine Translation via Unknown Token},
author = {Wei Zou and Shujian Huang and Jiajun Chen},
journal= {arXiv preprint arXiv:2501.12183},
year = {2025}
}
备注
accepted by CCMT 2024()