先入最劣：在束搜索中寻求更好的性别翻译
计算与语言
2022-03-18 v2
摘要
神经机器翻译的推理过程（如束搜索）会生成模型下最可能的输出。这可能加剧模型所表现出的任何人口统计偏差。我们关注由语法性别翻译中的系统性错误所导致的性别偏差，其可能导致人类指称对象被错误呈现或错误性别化。大多数解决该问题的方法会调整训练数据或模型。相比之下，我们实验仅调整推理过程。我们尝试使用从源句自动获取的性别特征对 nbest 列表重排序，并在解码时施加性别约束以提升 nbest 列表的性别多样性。我们发现，这些技术的组合可在无需额外双语数据或额外 NMT 模型的情况下，在 WinoMT 准确率上取得大幅提升。
引用
@article{arxiv.2104.07429,
title = {First the worst: Finding better gender translations during beam search},
author = {Danielle Saunders and Rosie Sallis and Bill Byrne},
journal= {arXiv preprint arXiv:2104.07429},
year = {2022}
}
备注
Findings of ACL (2022). 5 pages with 2 pages of appendices