基于示例的 NMT：多 Levenshtein Transformer 方法
计算与语言
2023-10-16 v1
摘要
检索增强机器翻译（RAMT）正吸引越来越多的关注。这是因为 RAMT 不仅提升翻译指标，还被认为实现了某种形式的领域自适应。在本文中，我们研究 RAMT 的另一显著特性：其通过允许用户回溯促成翻译决策的示例，使翻译决策更加透明。为此，我们提出一种旨在提升该透明度的新架构。该模型改编了 Levenshtein Transformer 的检索增强版本，使其能同时编辑记忆中发现的多个模糊匹配。我们讨论了如何基于多向对齐算法与模仿学习在该模型中执行训练与推理。实验表明，编辑多个示例对翻译分数有正向影响，尤其增加了从已有实例中复制的目标片段数量。
引用
@article{arxiv.2310.08967,
title = {Towards Example-Based NMT with Multi-Levenshtein Transformers},
author = {Maxime Bouthors and Josep Crego and François Yvon},
journal= {arXiv preprint arXiv:2310.08967},
year = {2023}
}
备注
17 pages, EMNLP 2023 submission