抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
適応ツリー探索アルゴリズムを導入し,検索目的の形式または構造について仮定をしない翻訳モデルの下で高いスコアリング出力を見つけることができる。このアルゴリズムは,モンテカルロツリー探索の決定論的バリアントであり,自己回帰または条件付き独立仮定のような復号化を扱いやすい制約によって,制約されない新しい種類のモデルの探索を可能にする。自己回帰モデルに適用した場合,提案アルゴリズムはビーム探索よりも異なるバイアスを持ち,自己回帰モデルにおける復号化バイアスの役割の新しい解析を可能にした。経験的に,著者らは,著者らの適応ツリー探索アルゴリズムが,自己回帰モデルにおけるビーム探索と比較して,実質的により良いモデルスコアを有する出力を見つけて,そのスコアが出力における単語に関して付加的に分解されないモデルにおける再ランク付け技術と比較したことを示した。また,BLEUに関していくつかの翻訳モデル目的の相関を特性化した。著者らは,いくつかの標準モデルが,ビーム探索バイアスから,あまり較正されず,利益を得る一方で,他のしばしば,よりロバストなモデル(自動計量スコア,雑音の多いチャネルモデル,および新しく提案された目的)が,提案した復号器を用いた探索量の増加から利益を得るが,ビーム探索バイアスは,そのような目的から得られた改善を制限する。従って,モデルが改善されると,改善はビーム探索または再ランク付けベースの方法に対する過剰信頼性によってマスクされる可能性があると主張する。【JST・京大機械翻訳】