Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
文献紹介: Beyond BLEU: Training Neural Machine Tran...
Search
Yumeto Inaoka
September 27, 2019
Research
0
280
文献紹介: Beyond BLEU: Training Neural Machine Translation with Semantic Similarity
2019/09/27の文献紹介で発表
Yumeto Inaoka
September 27, 2019
Tweet
Share
More Decks by Yumeto Inaoka
See All by Yumeto Inaoka
文献紹介: Quantity doesn’t buy quality syntax with neural language models
yumeto
1
190
文献紹介: Open Domain Web Keyphrase Extraction Beyond Language Modeling
yumeto
0
240
文献紹介: Self-Supervised_Neural_Machine_Translation
yumeto
0
160
文献紹介: Comparing and Developing Tools to Measure the Readability of Domain-Specific Texts
yumeto
0
180
文献紹介: PAWS: Paraphrase Adversaries from Word Scrambling
yumeto
0
160
文献紹介: EditNTS: An Neural Programmer-Interpreter Model for Sentence Simplification through Explicit Editing
yumeto
0
350
文献紹介: Decomposable Neural Paraphrase Generation
yumeto
0
230
文献紹介: Analyzing the Limitations of Cross-lingual Word Embedding Mappings
yumeto
0
230
文献紹介: Similarity-Based Reconstruction Loss for Meaning Representation
yumeto
1
220
Other Decks in Research
See All in Research
国際論文を出そう!ICRA / IROS / RA-L への論文投稿の心構えとノウハウ / RSJ2025 Luncheon Seminar
koide3
10
5.5k
EcoWikiRS: Learning Ecological Representation of Satellite Images from Weak Supervision with Species Observation and Wikipedia
satai
3
260
Language Models Are Implicitly Continuous
eumesy
PRO
0
300
超高速データサイエンス
matsui_528
1
150
大学見本市2025 JSTさきがけ事業セミナー「顔の見えないセンシング技術:多様なセンサにもとづく個人情報に配慮した人物状態推定」
miso2024
0
170
2025年度人工知能学会全国大会チュートリアル講演「深層基盤モデルの数理」
taiji_suzuki
25
19k
Pythonでジオを使い倒そう! 〜それとFOSS4G Hiroshima 2026のご紹介を少し〜
wata909
0
960
心理言語学の視点から再考する言語モデルの学習過程
chemical_tree
2
620
Submeter-level land cover mapping of Japan
satai
3
420
GPUを利用したStein Particle Filterによる点群6自由度モンテカルロSLAM
takuminakao
0
370
AWSで実現した大規模日本語VLM学習用データセット "MOMIJI" 構築パイプライン/buiding-momiji
studio_graph
2
720
Mechanistic Interpretability:解釈可能性研究の新たな潮流
koshiro_aoki
1
460
Featured
See All Featured
Principles of Awesome APIs and How to Build Them.
keavy
127
17k
The Invisible Side of Design
smashingmag
302
51k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
33
2.5k
Build The Right Thing And Hit Your Dates
maggiecrowley
37
2.9k
Making the Leap to Tech Lead
cromwellryan
135
9.6k
[RailsConf 2023] Rails as a piece of cake
palkan
57
5.9k
Side Projects
sachag
455
43k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
31
2.5k
Fireside Chat
paigeccino
40
3.7k
Raft: Consensus for Rubyists
vanstee
140
7.1k
Practical Orchestrator
shlominoach
190
11k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
140
34k
Transcript
Beyond BLEU: Training Neural Machine Translation with Semantic Similarity 文献紹介
2019/09/27 長岡技術科学大学 自然言語処理研究室 稲岡 夢人
Literature 2
Abstract • 近年の研究では を明示的に最大化させるように システムを最適化させている ← は部分点を与えず、意味類似性を考慮しない • システムを最適化するための報酬関数を提案 →
、意味的類似性、人手評価が向上 3
Introduction • では自動評価指標を明示的に最大化するよう 学習させるのが一般的(例えば ) • 学習基準に を用いるのには問題がある ◦ 意味が類似していても単語が違えばペナルティ
◦ 部分点がないため学習で山登りが出来ない 4
Proposed method • の報酬として意味的類似性の尺度 を導入 • 意味類似性、部分点の問題に対応 • より重要な意味を持つ単語を正確に翻訳できる 5
Semantic Textual Similarity • では文の意味的類似度を出す必要がある • 今回は の研究である を用いる ◦
逆翻訳で生成した言い換えペアのデータセット ◦ 言い換えモデルから文の分散表現を獲得 6
STS model • ベースは と同じ • 文埋め込みは の平均 • 文類似度は
つの文埋め込みのコサイン類似度 7
Length Penalty • 前述の方法では長い文の生成を妨げるものがない → 長い文にペナルティを与える必要がある • の を基にして、 長さが異なるときにペナルティが加わるようにする
8
SIMILE • と を用いて を定義 • の影響を小さくする α ことでわずかに改善 9
Motivation • 意味類似度タスクとして各指標を評価 • よりも高い 10
Motivation • と を機械翻訳指標として比較 • で人手評価との相関を計算 11
Motivation • 意味類似度タスクと翻訳評価で傾向が異なる や は流暢性も捕捉する指標であるため 12
Machine Translation model • 学習手順は と同じ • モデルは • 他パラメータは論文を参照
13
Objective Functions • 基本は と同じ • コストには または を用いる •
は全ての に を加えてスムージング 14
Experiments • チェコ語 ドイツ語 ロシア語 トルコ語 から英語 への翻訳で評価 • 以外は
を として学習 と の を使用 • は を として学習 には と の と の を使用 • は を使用 15
Automatic Evaluation • 以下の目的関数で実験 ◦ ◦ ◦ ◦ − •
と で評価 16
Results (AE) • の両方で が最高性能 • の評価においてもコストは のほうが高性能 17
Human Evaluation • コストに と を使った時を人手評価で比較 • コストを変化させた時に出力が変化するものの内、 ~ トークンのものからランダムに
文を抽出 • 参照文の持つ情報を出力文が伝えているかどうか、 ~ のスコアを付与 18
Results (HE) • が 以外で 最も高いスコア は も最低 • 翻訳品質が低すぎると
は効果的でない という仮説 19
Quantitative Analysis • が最も高い の で分析 ◦ 部分点 ◦ ◦
◦ • 今回は と の結果のみ紹介する 20
Partial Credit (cost dist.) • の分布は歪んでおり コストが大きい → 学習時の情報が少ない 21
Lexical F1 • 翻訳のどこが改善するか を頻度と品詞別に分析 22
Lexical F1 (Frequency) • 低頻度単語の生成をより助ける 23
Lexical F1 (POS) • 名詞、固有名詞、数字といった文の意味への影響が 大きな品詞でより貢献している 24
Conclusion • 報酬として に変わる を提案 • が自動評価で より優れており、 人手評価との相関も高い •
意味的に重要な単語への貢献が大きい 25