基于大规模多语言机器翻译模型的多枢纽集成研究

大规模多语言机器翻译模型允许使用单一模型翻译大量语言，但在低资源和极低资源翻译方向上性能有限。通过高资源语言进行枢纽翻译仍是低资源方向的一种强策略，本文中我们重新审视了通过多种语言进行枢纽翻译的方法。先前的工作使用了来自多条路径的概率分布的简单平均，但我们发现这比使用单一枢纽表现更差，并且加剧了幻觉问题，因为相同的幻觉在不同路径中可能都具有较高概率。我们还提出了MaxEns，一种新颖的组合策略，使输出偏向于最置信的预测，假设置信预测更不容易成为幻觉。我们在FLORES基准上针对20个低资源语言方向评估了不同策略，表明与直接翻译和平均方法相比，MaxEns在提升低资源语言翻译质量的同时减少了翻译中的幻觉。平均而言，多枢纽策略仍落后于使用英语作为单一枢纽语言，这引发了如何为给定翻译方向确定最佳枢纽策略的问题。