共同成长：以 n-Best 多检查点机器翻译建模人类语言学习
计算与语言
2020-06-09 v1 机器学习
机器学习
摘要
我们描述了向 2020 年 Duolingo 语言教育同步翻译与复述共享任务（STAPLE）（Mayhew 等，2020）的提交。我们将处于不同训练阶段（即检查点）的 MT 模型视为处于不同水平的人类学习者。因此，我们采用同一模型的多个检查点集成来生成具有不同流畅度水平的翻译序列。对于每个检查点，我们的最佳模型以束宽=100 采样 n-Best 序列（n=10）。在官方英葡共享任务测试数据上，我们以 6 检查点模型集成取得了 37.57 的宏 F1，优于 21.30 宏 F1 的 Amazon 翻译基线系统，并最终证明了我们直观方法的效用。
引用
@article{arxiv.2006.04050,
title = {Growing Together: Modeling Human Language Learning With n-Best Multi-Checkpoint Machine Translation},
author = {El Moatez Billah Nagoudi and Muhammad Abdul-Mageed and Hasan Cavusoglu},
journal= {arXiv preprint arXiv:2006.04050},
year = {2020}
}
备注
Accepted to the 4th Workshop on Neural Generation and Translation (Duolingo Shared Task on Simultaneous Translation And Paraphrase for Language Education Mayhew et al., 2020) collocated with ACL 2020