$\require{mediawiki-texvc}$

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.

전이학습 기반 기계번역 사후교정 모델 검증
The Verification of the Transfer Learning-based Automatic Post Editing Model 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.10, 2021년, pp.27 - 35  

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

초록
AI-Helper 아이콘AI-Helper

기계번역 사후교정 (Automatic Post Editing, APE)이란 번역 시스템을 통해 생성한 번역문을 교정하는 연구 분야로, 영어-독일어와 같이 학습데이터가 풍부한 언어쌍을 중심으로 연구가 진행되고 있다. 최근 APE 연구는 전이학습 기반 연구가 주로 이루어지는데, 일반적으로 self supervised learning을 통해 생성된 사전학습 언어모델 혹은 번역모델이 주로 활용된다. 기존 연구에서는 번역모델에 전이학습 시킨 APE모델이 뛰어난 성과를 보였으나, 대용량 언어쌍에 대해서만 이루어진 해당 연구를 저 자원 언어쌍에 곧바로 적용하기는 어렵다. 이에 본 연구에서는 언어 혹은 번역모델의 두 가지 전이학습 전략을 대표적인 저 자원 언어쌍인 한국어-영어 APE 연구에 적용하여 심층적인 모델 검증을 진행하였다. 실험결과 저 자원 언어쌍에서도 APE 학습 이전에 번역을 한차례 학습시키는 것이 유의미하게 APE 성능을 향상시킨다는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Automatic post editing is a research field that aims to automatically correct errors in machine translation results. This research is mainly being focus on high resource language pairs, such as English-German. Recent APE studies are mainly adopting transfer learning based research, where pre-trainin...

주제어

#딥러닝   #자연어처리   #언어 융합   #기계번역   #기계번역   #기계번역 사후교정   #사전학습 모델  

표/그림 (2)

참고문헌 (30)

  1. C. Park & H. Lim. (2020). Automatic Post Editing Research. Journal of the Korea Convergence Society, 11(5), 1-8. DOI : 10.15207/JKCS.2020.11.5.001 

    원문보기 상세보기 crossref

  2. S. Pal, N. Herbig, A. Kruger & J. van Genabith. (2018, October). A transformer-based multi-source automatic post-editing system. In Proceedings of the Third Conference on Machine Translation: Shared Task Papers (pp. 827-835). 

  3. P. Isabelle, C. Goutte & M. Simard. (2007). Domain adaptation of MT systems through automatic post-editing. MT Summit XI, 102. 

  4. S. Chollampatt, R. H. Susanto, L. Tan & E. Szymanska. (2020). Can Automatic Post-Editing Improve NMT?. arXiv preprint arXiv:2009.14395. 

  5. R Chatterjee, M. Freitag, M. Negri & M. Turchi. (2020, November). Findings of the WMT 2020 Shared Task on Automatic Post-Editing. In Proceedings of the Fifth Conference on Machine Translation (pp. 646-659). 

  6. A. V. Lopes, M. A. Farajian, G. M. Correia, J., Trenous & A. F. Martins. (2019). Unbabel's Submission to the WMT2019 APE Shared Task: BERT-based Encoder-Decoder for Automatic Post-Editing. arXiv preprint arXiv:1905.13068. 

  7. J. Lee, W. Lee, J. Shin, B. Jung, Y. G. Kim & J. H. Lee. (2020, November). POSTECH-ETRI's Submission to the WMT2020 APE Shared Task: Automatic Post-Editing with Cross-lingual Language Model. In Proceedings of the Fifth Conference on Machine Translation (pp. 777-782). 

  8. H. Yang et al. (2020, November). HW-TSC's Participation at WMT 2020 Automatic Post Editing Shared Task. In Proceedings of the Fifth Conference on Machine Translation (pp. 797-802). 

  9. B. Zoph, D. Yuret, J. May & K. Knight. (2016). Transfer learning for low-resource neural machine translation. arXiv preprint arXiv:1604.02201. 

  10. 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

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

  12. M. Negri, M. Turchi, R. Chatterjee & N. Bertoldi. (2018). ESCAPE: a large-scale synthetic corpus for automatic post-editing. arXiv preprint arXiv:1803.07274. 

  13. W. Lee, B. Jung, J. Shin & J. H. Lee. (2021, April). Adaptation of Back-translation to Automatic Post-Editing for Synthetic Data Generation. In Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume (pp. 3685-3691). 

  14. W. Lee, J. Shin, B. Jung, J. Lee & J. H. Lee. (2020, November). Noising Scheme for Data Augmentation in Automatic Post-Editing. In Proceedings of the Fifth Conference on Machine Translation (pp. 783-788). 

  15. R. Sennrich, B. Haddow & A. Birch. (2015). Improving neural machine translation models with monolingual data. arXiv preprint arXiv:1511.06709. 

  16. J. Lim, H. Moon, C. Lee, C. Woo & H. Lim. (2021). An Automated Industry and Occupation Coding System using Deep Learning. Journal of the Korea Convergence Society, 12(4), 23-30. 

    원문보기 상세보기 crossref

  17. S. Eo, C. Park, H. Moon, J. Seo & H. Lim. (2021). Comparative Analysis of Current Approaches to Quality Estimation for Neural Machine Translation. Applied Sciences, 11(14), 6584. 

    상세보기 crossref

  18. 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. 

  19. A. Conneau & G. Lample. (2019). Cross-lingual language model pretraining. Advances in Neural Information Processing Systems, 32, 7059-7069. 

  20. I. Sutskever, O. Vinyals & Q. V. Le. (2014). Sequence to sequence learning with neural networks. In Advances in neural information processing systems (pp. 3104-3112). 

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

    상세보기 crossref

  22. H. Moon, C. Park, S. Eo, J. Park & H. Lim. (2021). Filter-mBART Based Neural Machine Translation Using Parallel Corpus Filtering. Journal of the Korea Convergence Society, 12(5), 1-7. DOI : 10.15207/JKCS.2021.12.5.001 

    원문보기 상세보기 crossref

  23. 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. DOI : 10.14400/JDC.2020.18.6.271 

    원문보기 상세보기 crossref

  24. M. Snover, B. Dorr, R. Schwartz, L. Micciulla & J. Makhoul. (2006). A study of translation edit rate with targeted human annotation. In Proceedings of the 7th Conference of the Association for Machine Translation in the Americas: Technical Papers (pp. 223-231). 

  25. K. Papineni, S. Roukos, T. Ward & W. J. Zhu. (2002, July). Bleu: a method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting of the Association for Computational Linguistics (pp. 311-318). 

  26. T. Wolf et al. (2019). Huggingface's transformers: State-of-the-art natural language processing. arXiv preprint arXiv:1910.03771. 

  27. T. Kudo & J Richardson. (2018). Sentencepiece: A simple and language independent subword tokenizer and detokenizer for neural text processing. arXiv preprint arXiv:1808.06226. 

  28. C. Park, S. Eo, H. Moon & H. S. Lim. (2021, June). Should we find another model?: Improving Neural Machine Translation Performance with ONE-Piece Tokenization Method without Model Modification. In Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies: Industry Papers (pp. 97-104). 

  29. N. Houlsby et al. (2019, May). Parameter-efficient transfer learning for NLP. In International Conference on Machine Learning (pp. 2790-2799). PMLR. 

  30. C. Park, J. Seo, S. Lee, C. Lee, H. Moon, S. Eo. & H. Lim. (2021). BTS: Back TranScription for Speech-to-Text Post-Processor using Text-to-Speech-to-Text In Proceedings of the 8th Workshop on Asian Translation (pp.106-116) 

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

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