面向同声机器翻译的前瞻未来策略

同声机器翻译（SiMT）在读取源句的同时输出译文。与传统的序列到序列（seq2seq）训练不同，现有 SiMT 方法采用前缀到前缀（prefix2prefix）训练，即模型基于部分源 token 预测目标 token。然而，prefix2prefix 训练削弱了模型捕捉全局信息的能力，并因缺乏必要的源信息而引入了强制预测。因此，弥合 prefix2prefix 训练与 seq2seq 训练之间的差距以增强 SiMT 模型的翻译能力至关重要。本文提出一种新颖方法，在课程学习中前瞻未来，以实现从 seq2seq 训练到 prefix2prefix 训练的过渡。具体而言，我们逐步将可用源信息从整个句子减少到与该延迟相对应的前缀。我们的方法适用于多种 SiMT 方法，实验表明该方法优于强基线。