Tweet
Tweet

Slide 1

Slide 1 text

ʮਂ૚ֶशʹΑΔࣗવݴޠॲ ཧʯಡॻձ ୈষ ⽩⼟ 慧 株式会社レトリバ © 2017 Retrieva, Inc.

Slide 2

Slide 2 text

ࣗݾ঺հ • 名前：⽩⼟ 慧 • 年齢：33歳 • 所属：株式会社レトリバ（2016年4⽉〜） • 職業：エンジニア • ⾃然⾔語処理：⼤学の授業レベル。 • 深層学習：⼊社してから少しだけ案件で。 © 2017 Retrieva, Inc. 2

Slide 3

Slide 3 text

<એ఻> • WEB+DB PRESS Vol.100 に、弊社 のメンバーが特集記事を書きまし た。 • 特集1 作って学ぶ⼈⼯知能 • 第1章 ⼈⼯知能とはどんな技術なの か？ • 第2章 ⾃然⾔語処理 • 第3章 機械学習 • 第4章 深層学習とニューラルネット ワーク • 明⽇ 8/24 発売！ © 2017 Retrieva, Inc. 3

Slide 4

Slide 4 text

ൣғ • 5.1. 機械翻訳 • 5.1.1 「統計」翻訳と「ニューラル」翻訳 • 5.1.2 典型的なモデル構成 • 5.1.3 ⼊出⼒の処理単位/未知語に対する改良 • 5.1.4 被覆に対する改良 • 5.1.5 今後の発展 • 付録: GitHub に公開された Chainer による NMT の実装 © 2017 Retrieva, Inc. 4

Slide 5

Slide 5 text

ʮ౷ܭʯ຋༁ͱʮχϡʔϥϧʯ຋༁ • ニューラル翻訳(NMT) • 系列変換モデルのように、1つのニューラルネットで翻訳モデルを構成 するような機械翻訳⽅式 • 統計翻訳(SMT)との対⽐として使われる⽤語。最近では系列変換モデ ルを使った機械翻訳の総称として使われるようになった • WMT15,16でニューラル翻訳システムが統計翻訳システムを⼤ きく上回った • この章では、2017年1⽉時点でのベースライン技術に絞って解 説 © 2017 Retrieva, Inc. 5

Slide 6

Slide 6 text

యܕతͳϞσϧߏ੒ • 注意機構付き系列変換モデルが、ニューラル翻訳を含めた機械翻訳 のベースラインと考えられるようになってきた • GroungHog(RNNSearch) • 現在メンテナンスは終了 • GroungHog は⼆種類あるが、RNNSearch は注意機構付き • OpenNMT • 現時点で速度、メモリ使⽤量、最終的な翻訳精度で優れていると⾔われる • 本節ではOpenNMTで採⽤されているモデルを解説する © 2017 Retrieva, Inc. 6

Slide 7

Slide 7 text

యܕతͳϞσϧߏ੒ • 符号化部分 • 2層双⽅向LSTM • 復号化部分 • 2層LSTM • 注意機構 © 2017 Retrieva, Inc. 7

Slide 8

Slide 8 text

యܕతͳϞσϧߏ੒ʢූ߸Խ෦෼ʣ © 2017 Retrieva, Inc. 8

Slide 9

Slide 9 text

యܕతͳϞσϧߏ੒ʢ෮߸Խ෦෼ɺֶश࣌ʣ © 2017 Retrieva, Inc. 9

Slide 10

Slide 10 text

యܕతͳϞσϧߏ੒ʢ෮߸Խ෦෼ɺධՁ࣌ʣ • 正解がわからないので、前 の時刻 j-1 の予測を利⽤し て j の予測を⾏う • EOSが出⼒されるまで繰り 返す • ビーム探索を⽤いて処理を ⾏うことが多い © 2017 Retrieva, Inc. 10

Slide 11

Slide 11 text

ೖग़ྗͷॲཧ୯Ґະ஌ޠʹର͢Δվྑ • 扱う語彙数を多くすると計算量が⼤きくなりすぎ、精度も低下 する • ニューラル翻訳では統計翻訳より語彙数が少ないのが現状 • 未知語をどう扱うかも課題 • 統計翻訳を踏襲して、未知語を後処理で何かの語に置き換える⼿法も ある © 2017 Retrieva, Inc. 11

Slide 12

Slide 12 text

ೖग़ྗͷॲཧ୯Ґະ஌ޠʹର͢Δվྑ • 「単語」ではなく「⽂字」を単位にする⽅法 • ⽂字数は多くても数1000⽂字で収まるので、簡単になる • ⼀⽅、系列⻑は圧倒的に⻑くなるので、予測誤りが多くなる • トレードオフの⾒極めはまだ • バイト対符号化 • 前処理として、⼀定の語彙数になるまで、出現頻度が⼤きい⽂字ペア を１つの⽂字としてまとめていく © 2017 Retrieva, Inc. 12

Slide 13

Slide 13 text

ඃ෴ʹؔ͢Δվྑ • ニューラル翻訳の既知の弱点 • 繰り返し⽣成する、過剰⽣成問題(Over-generation) • 必要な語やフレーズを無視する、不⾜⽣成問題(Under-generation) • 被覆(Coverage)概念を導⼊する • 統計翻訳時代には普通に使われていた • 注意機構で計算される注意確率の合計が、復号化器の処理が終わった 際に何らかの値（全て1のベクトルなど）になるよう学習させる © 2017 Retrieva, Inc. 13

Slide 14

Slide 14 text

ࠓޙͷൃల オレはようやく登りはじめたばかりだからな。 このはてしなく遠いNMT坂をよ… © 2017 Retrieva, Inc. 14

Slide 15

Slide 15 text

෇࿥(JU)VCʹެ։͞Εͨ $IBJOFS ʹΑΔ /.5 ͷ࣮૷ • https://github.com/mlpnlp/mlpnlp-nmt © 2017 Retrieva, Inc. 15