$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

최신 기계번역 품질 예측 연구
Research on Recent Quality Estimation 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.7, 2021년, pp.37 - 44  

어수경 (고려대학교 컴퓨터학과) ,  박찬준 (고려대학교 컴퓨터학과) ,  문현석 (고려대학교 컴퓨터학과) ,  서재형 (고려대학교 컴퓨터학과) ,  임희석 (고려대학교 컴퓨터학과)

초록
AI-Helper 아이콘AI-Helper

기계번역 품질 예측(Quality Estimation, QE)은 정답 문장(Reference sentence) 없이도 기계번역 결과의 질을 평가할 수 있으며, 활용도가 높다는 점에서 그 필요성이 대두되고 있다. Conference on machine translation(WMT)에서 매년 이와 관련한 shared task가 열리고 있고 최근에는 대용량 데이터 기반 Pretrained language model(PLM)을 적용한 연구들이 주로 진행되고 있다. 본 논문에서는 기계번역 품질 예측 task에 대한 설명 및 연구 동향에 대한 전반적인 survey를 진행했고, 최근 자주 활용되는 PLM의 특징들에 대해 정리하였다. 더불어 아직 활용된 바가 없는 multilingual BART 모델을 이용하여 기존 연구들인 XLM, multilingual BERT, XLM-RoBERTa와 의 비교 실험 및 분석을 진행하였다. 실험 결과 어떤 사전 학습된 다중언어 모델이 QE에 적용했을 때 가장 효과적인지 확인하였을 뿐 아니라 multilingual BART 모델의 QE 태스크 적용 가능성을 확인했다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Quality estimation (QE) can evaluate the quality of machine translation output even for those who do not know the target language, and its high utilization highlights the need for QE. QE shared task is held every year at Conference on Machine Translation (WMT), and recently, researches applying Pret...

주제어

#기계번역 품질 예측   #인공신경망 기계번역   #딥러닝   #언어 융합   #자연언어처리  

표/그림 (2)

참고문헌 (35)

  1. L. Specia, F. Blain, V. Logacheva, R. Astudillo & A. Martins. (2018). Findings of the wmt 2018 shared task on quality estimation. Association for Computational Linguistics. DOI : 10.18653/v1/W18-6451 

    crossref

  2. E. Fonseca, L. Yankovskaya, A. F. Martins, M. Fishel & C. Federmann. (2019). Findings of the WMT 2019 shared tasks on quality estimation. In Proceedings of the Fourth Conference on Machine Translation (Volume 3: Shared Task Papers, Day 2), 1-10. DOI : 10.18653/v1/W19-5401 

    crossref

  3. L. Specia, K. Shah, J. G. De Souza & T. Cohn (2013). QuEst-A translation quality estimation framework. In Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics: System Demonstrations, 79-84. 

  4. L. Specia, C. Scarton & G. H. Paetzold (2018). Quality estimation for machine translation. Synthesis Lectures on Human Language Technologies, 11(1), 1-162. DOI : 10.2200/S00854ED1V01Y201805HLT039 

    상세보기 crossref

  5. L. Specia, D. Raj & M. Turchi (2010). Machine translation evaluation versus quality estimation. Machine translation, 24(1), 39-50. DOI : 10.1007/s10590-010-9077-2 

    상세보기 crossref

  6. D. Lee. (2020). Two-phase cross-lingual language model fine-tuning for machine translation quality estimation. In Proceedings of the Fifth Conference on Machine Translation. (pp. 1024-1028). 

  7. Y. Baek, Z. M. Kim, J. Moon, H. Kim & E. Park. (2020). Patquest: Papago translation quality estimation. In Proceedings of the Fifth Conference on Machine Translation. (pp. 991-998). 

  8. G. Lample & A. Conneau. (2019). Cross-lingual language model pretraining. arXiv preprint arXiv:1901.07291. 

  9. J. Devlin, M. W. Chang, K. Lee & K. Toutanova. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. DOI : 10.18653/v1/N19-1423 

  10. A. Conneau et al. (2019). Unsupervised cross-lingual representation learning at scale. arXiv preprint arXiv:1911.02116. DOI : 10.18653/v1/P19-4007 

    crossref

  11. Y. Liu et al. (2020). Multilingual denoising pre-training for neural machine translation. Transactions of the Association for Computational Linguistics, 8, 726-742. 

    상세보기 crossref

  12. E. Bicici. & A. Way. (2014). Referential translation machines for predicting translation quality. Association for Computational Linguistics. DOI : 10.18653/v1/w15-3035 

    crossref

  13. R. Soricut, N. Bach & Z. Wang. (2012). The SDL language weaver systems in the WMT12 quality estimation shared task. In Proceedings of the Seventh Workshop on Statistical Machine Translation. (pp. 145-151). 

  14. N. Q. Luong, B. Lecouteux & L. Besacier. (2013). LIG system for WMT13 QE task: Investigating the usefulness of features in word confidence estimation for MT. In 8th Workshop on Statistical Machine Translation. (pp. 386-391). 

  15. C. Hardmeier, J. Nivre & J. Tiedemann. (2012). Tree kernels for machine translation quality estimation. In Seventh Workshop on Statistical Machine Translation, Montreal, Canada, June 7-8, 2012. (pp. 109-113). Association for Computational Linguistics. 

  16. R. N. Patel. (2016). Translation quality estimation using recurrent neural network. arXiv preprint arXiv:1610.04841. DOI : 10.18653/v1/W16-2389 

    crossref

  17. H. Kim & J. H. Lee. (2016). Recurrent neural network based translation quality estimation. In Proceedings of the First Conference on Machine Translation: Volume 2, Shared Task Papers. (pp. 787-792). DOI : 10.18653/v1/w16-2384 

    crossref

  18. K. Cho et al. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078. DOI : 10.3115/v1/d14-1179 

    crossref

  19. S. Hochreiter & J. Schmidhuber. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. DOI : 10.1162/neco.1997.9.8.1735 

    상세보기 crossref

  20. H. Kim, J. H. Lee & S. H. Na. (2017, September). Predictor-estimator using multilevel task learning with stack propagation for neural quality estimation. In Proceedings of the Second Conference on Machine Translation. (pp. 562-568). DOI : 10.18653/v1/w17-4763 

    crossref

  21. J. Wang, K. Fan, B. Li, F. Zhou, B. Chen, Y. Shi & L. Si. (2018). Alibaba submission for WMT18 quality estimation task. In Proceedings of the Third Conference on Machine Translation: Shared Task Papers. (pp. 809-815). DOI : 10.18653/v1/w18-6465 

    crossref

  22. A. Vaswani et al. (2017). Attention is all you need. In Advances in neural information processing systems (pp. 5998-6008). 

  23. F. Kepler et al. (2019). Unbabel's Participation in the WMT19 Translation Quality Estimation Shared Task. arXiv preprint arXiv:1907.10352. DOI : 10.18653/v1/W19-5406 

    crossref

  24. H. Kim, J. H. Lim, H. K. Kim & S. H. Na. (2019). QE BERT: bilingual BERT using multi-task learning for neural quality estimation. In Proceedings of the Fourth Conference on Machine Translation (Volume 3: Shared Task Papers, Day 2). (pp. 85-89). DOI : 10.18653/v1/W19-5407 

    crossref

  25. T. Ranasinghe, C. Orasan & R. Mitkov. (2020). TransQuest at WMT2020: Sentence-Level Direct Assessment. arXiv preprint arXiv:2010.05318. 

  26. D. Lee. (2020). Two-phase cross-lingual language model fine-tuning for machine translation quality estimation. In Proceedings of the Fifth Conference on Machine Translation. (pp. 1024-1028). 

  27. M. Wang et al. (2020, November). Hw-tsc's participation at wmt 2020 quality estimation shared task. In Proceedings of the Fifth Conference on Machine Translation. (pp. 1056-1061). 

  28. H. Wu et al. (2020, November). Tencent submission for WMT20 Quality Estimation Shared Task. In Proceedings of the Fifth Conference on Machine Translation. (pp. 1062-1067). 

  29. M. Snover, B. Dorr, R. Schwartz, L. Micciulla & J. Makhoul. (2006, August). A study of translation edit rate with targeted human annotation. In Proceedings of association for machine translation in the Americas (Vol. 200, No. 6). 

  30. G. Wenzek et al. (2019). Ccnet: Extracting high quality monolingual datasets from web crawl data. arXiv preprint arXiv:1911.00359. 

  31. T. Pires, E. Schlinger & D. Garrette. (2019). How multilingual is multilingual bert?. arXiv preprint arXiv:1906.01502. DOI : 10.18653/v1/p19-1493 

    crossref

  32. M. Lewis et al. (2019). Bart: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension. arXiv preprint arXiv:1910.13461. DOI : 10.18653/v1/2020.acl-main.703 

    crossref

  33. T. Wolf et al. (2019). HuggingFace's Transformers: State-of-the-art natural language processing. arXiv preprint arXiv:1910.03771. 

  34. C. Park & H. Lim. (2020). A Study on the Performance Improvement of Machine Translation Using Public Korean-English Parallel Corpus. Journal of Digital Convergence, 18(6), 271-277. 

    원문보기 상세보기 crossref

  35. C. Park, Y. Yang, K. Park & H. Lim. (2020). Decoding strategies for improving low-resource machine translation. Electronics, 9(10), 1562. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로