通过建议打乱提升检索增强翻译的鲁棒性
计算与语言
2022-10-12 v1
摘要
最近的一些研究报告称，通过在推理时利用从翻译记忆库（TM）检索到的模糊匹配来增强翻译，神经机器翻译（NMT）的性能得到了显著提升。然而，这些研究都假设测试时可用的 TM 与测试集高度相关。我们证明，对于现有的检索增强翻译方法，使用与测试集存在领域不匹配的 TM，其性能可能比完全不使用 TM 还要差得多。我们提出了一种简单的方法，在训练期间将模糊匹配 NMT 系统暴露于此类情况，并表明这使得系统在推理时对存在领域不匹配的 TM 具有更强的容忍度（恢复高达 5.8 BLEU）。此外，当输入来自相关 TM 的建议时，该模型与基线相比仍具竞争力。
引用
@article{arxiv.2210.05059,
title = {Improving Robustness of Retrieval Augmented Translation via Shuffling of Suggestions},
author = {Cuong Hoang and Devendra Sachan and Prashant Mathur and Brian Thompson and Marcello Federico},
journal= {arXiv preprint arXiv:2210.05059},
year = {2022}
}