神经机器翻译中的领域自适应问题 Domain adaptation for NMT

最新推荐文章于 2024-01-13 19:24:58 发布
原创 最新推荐文章于 2024-01-13 19:24:58 发布 · 2.9k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文汇总了五篇关于如何将神经机器翻译(NMT)系统适应特定领域的研究论文。这些工作探讨了不同的方法和技术，包括斯坦福大学提出的针对口语领域的NMT系统、快速领域适应方法以及通过额外训练实现的领域专业化等。

相关论文：

1. Stanford Neural Machine Translation Systems for Spoken Language Domains. 

Minh-Thang Luong and Christopher D. Manning. 

 http://www.statmt.org/OSMOSES/Stanford-IWSLT-15.pdf


2. Fast domain adaptation for neural machine translation.

Markus Freitag and Yaser Al-Onaizan. 

 http://arxiv.org/abs/1612.06897


最低0.47元/天 解锁文章
领域自适应：提升特定领域翻译效果
AI天才研究院
08-16 422
领域自适应：提升特定领域翻译效果 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 机器翻译技术的进步与挑战 近年来，随着深度学习技术的快速发展，机器翻译技术取得了显著的进步。神经机器翻译（Neural Mach
自然语言处理之机器翻译：Attention Mechanism：机器翻译中的域适应与注意力机制
最新发布
zhubeibei168的博客
04-08 935
域适应（Domain Adaptation）是指在机器学习模型中，当训练数据与测试数据来自不同但相关的域时，调整模型以提高在目标域上的性能的过程。在自然语言处理（NLP）领域，尤其是机器翻译中，域适应变得尤为重要，因为语言的使用在不同领域（如法律、医学、科技等）中存在显著差异。例如，医学术语在日常对话中很少出现，而科技领域的专业词汇可能在文学翻译中不常见。因此，一个在通用语料上训练的翻译模型可能在特定领域翻译时表现不佳。
domain adaptation 领域自适应
weixin_42187536的博客
03-01 1316
领域自适应是迁移学习中转导迁移学习的重要子问题。 迁移学习是指两个不同领域的知识迁移过程，利用源领域中学到的知识帮助目标领域上的学习任务。源领域的训练样本数量一般远大于目标领域。 迁移学习根据不同的迁移方式，分为两个类型，归纳迁移学习和转导迁移学习。 归纳学习（Inductive Learniing）是希望在训练数据集上学习到使得期望风险（即真实数据分布上的错误率）最小的模型。与传统监督机器学习一样，是基于已有标记的训练数据集构建和训练机器学习模型，然后使用这个训练过的模型预测我们测试集的标签。 转
机器学习算法详解：领域自适应
DeepViewInsight的博客
09-20 1373
机器学习领域是一个日新月异的领域，每天都有新的算法和模型涌现。然而，这些算法在不同的应用领域和数据集上表现可能会有很大的差异。领域自适应（Domain Adaptation）是一个旨在解决这个问题的重要研究领域。在本篇博客中，我们将深入探讨什么是领域自适应，为什么它如此重要，以及一些常见的领域自适应方法。
论文笔记-Domain Adaptation for Structured Output via Discriminative Patch Representations
kingsleyluoxin的博客
09-25 758
论文信息 论文标题：Domain Adaptation for Structured Output via Discriminative Patch Representations 论文作者： Yi-Hsuan Tsai, Kihyuk Sohn, Samuel Schulter, Manmohan Chandraker 研究机构：NEC 实验室；CMU 论文出处：ICCV 2019 引用信息： @inproceedings{DBLP:conf/iccv/TsaiSSC19, aut
An overview on domain adaptation in neural machine translation
IT小虫
08-14 1045
Neural machine translation(NMT)  has achieved state-of-the-art performance in most of the language pairs. Arguably, the success of NMT is mainly attributed to the large-scale, high-quality bilingual c
领域自适应(Domain Adaptation)方法综述
热门推荐
SmartLab307的博客
04-27 1万+
领域自适应(Domain Adaptation)方法综述
overview on domain adaptation in neural machine translation
08-14
神经机器翻译(NMT)领域近年来取得了显著的进展，尤其在众多语言对中取得了最先进的性能。这种成功在很大程度上归功于大规模高质量的双语语料库。然而，目前可用的新语料库通常只适用于相同或相似的领域，这对提升...
机器翻译领域最重要的论文和学术文献目录清单（清华大学NLP组）
qq_31424393的博客
03-31 3418
转载自：http://blog.sina.com.cn/s/blog_56eb62d30102y694.html 参考资料：http://ju.outofmemory.cn/entry/326011 ACL2017录用论文整理 https://www.leiphone.com/news/201708/3bt3QcwNF3o1o3aA.html 万字长文，深度解读11篇 EMNLP 2017 被录用...
Domain Adaptation论文合集
且慢
11-08 1060
转载于:https://blog.youkuaiyun.com/weixin_37993251/article/details/101266116 [1]A Survey on Transfer Learning:CUHK的杨强教授于2010年发表在IEEE的Transactions on knowledge and data engineering上关于迁移学习的综述性论文。 在许多机器学习和数据挖掘算法中，一个主要的假设是训练和未来的数据必须在相同的特征空间中，并且具有相同的分布。然而，在许多实际应用程序中，这
领域泛化和领域自适应
qq_38341276的博客
01-13 1424
领域泛化(Domain GeneralizationDG) 是近几年非常热门的一个研究方向。它研究的问题是从若千个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型，以便在 未知(Unseen)的测试集上取得较好的效果。
[论文笔记] Domain Adaptation 论文整理(持续更新)
weixin_44563093的博客
05-12 366
论文笔记-Domain Adaptation for Semantic Segmentation with Maximum Squares Loss
kingsleyluoxin的博客
09-26 1235
论文信息 论文标题：Domain Adaptation for Semantic Segmentation with Maximum Squares Loss 论文作者：Minghao Chen, Hongyang Xue, Deng Cai 研究机构：浙江大学；阿里巴巴—浙江大学前沿技术联合研究中心 论文出处：ICCV 2019 引用信息： @inproceedings{DBLP:conf/iccv/0001XC19, author = {Minghao Chen and
domain adaptation论文记录
t20134297的博客
05-06 1772
文章题目1 Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation AAAI2021 1 Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation AAAI2021 网络湖面跟着两个分类器，C1 和 C2，对于同一个样本的预测概率，除了在真实样本的位置上的概率要大，其他的部分的概率最好是尽量要差异大写一些，这样的话可以保证两个分
【最优传输论文笔记三】Domain Adaptation with Regularized Optimal Transport（2014 ECML）
m0_60231311的博客
04-12 1088
首个使用最优传输来解决领域自适应问题，通过在源域和目标域的概率分布函数之间搜索最佳运输计划，可以估计学习样本的非线性和可逆变换。任何标准的机器学习方法都可以应用于转换集，这使得我们的方法非常通用。我们提出了一种新的优化传输算法，该算法在优化中引入了标签信息：这是通过将有效的矩阵缩放技术与非凸正则化项的优化相结合来实现的。本文为源域中的每个样本定义了一个本地运输计划，从这个意义上说，域自适应问题可以被视为要传输的所有样本的图匹配问题，其中通过将源样本映射到与目标域的边缘分布匹配的坐标来找到它们的最终坐标。
一文速览ICML 2023域自适应/域泛化相关论文
Paper weekly
07-09 2873
Domain Adaptation（DA: 域自适应），Domain Generalization（DG: 域泛化）一直以来都是各大顶会的热门研究方向。DA 假设我们有有一个带标签的训练集（源域），这时候我们想让模型在另一个数据集上同样表现很好（目标域），利用目标域的无标签数据，提升模型在域间的适应能力是 DA 所强调的。以此为基础，DG 进一步弱化了假设，我们只有多个源域的数据，根本不知道目标域...
神经架构搜索助力领域自适应技术研究
领域自适应是机器学习中的一种技术，它致力于解决源域（source domain）和目标域（target domain）之间的数据分布差异，以便在目标域上获得更好的性能。本研究项目利用深度学习和NAS技术，尝试通过最小化手动设计的...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值