邻居并非陌生人：在低频次词汇约束下改进非自回归翻译
计算与语言
2022-10-27 v1
摘要
然而，当前的自回归方法存在高延迟问题。在本文中，我们针对该问题聚焦于非自回归翻译（NAT），因其效率优势。我们指出当前基于迭代编辑的约束型 NAT 模型不能很好地处理低频约束。为此，我们提出一种即插即用的算法，即对齐约束训练（ACT），通过使模型熟悉约束的源端上下文来缓解该问题。在通用和领域数据集上的实验表明，我们的模型在约束保持和翻译质量上优于骨干约束型 NAT 模型，尤其对于罕见约束。
引用
@article{arxiv.2204.13355,
title = {Neighbors Are Not Strangers: Improving Non-Autoregressive Translation under Low-Frequency Lexical Constraints},
author = {Chun Zeng and Jiangjie Chen and Tianyi Zhuang and Rui Xu and Hao Yang and Ying Qin and Shimin Tao and Yanghua Xiao},
journal= {arXiv preprint arXiv:2204.13355},
year = {2022}
}
备注
Accepted to NAACL 2022