Apprentissage discriminant de modèles neuronaux pour la traduction automatique - Laboratoire d'Informatique pour la Mécanique et les Sciences de l'Ingénieur Accéder directement au contenu
Article Dans Une Revue Revue TAL : traitement automatique des langues Année : 2016

Apprentissage discriminant de modèles neuronaux pour la traduction automatique

Résumé

Les méthodes utilisées pour entraîner des réseaux de neurones en traitement des langues reposent, pour la plupart, sur l'optimisation de critères qui sont décorrélés de l'application finale. Nous proposons un nouveau cadre d'apprentissage discriminant pour l'estimation des modèles neuronaux en traduction automatique. Ce cadre s'appuie sur la définition d'un critère d'apprentissage qui prend en compte, d'une part, la métrique utilisée pour l'évaluation automatique de la traduction et, d'autre part, le processus d'intégration de ces modèles au sein des systèmes de traduction automatique. Cette méthode est comparée aux critères d'apprentissage usuels que sont le maximum de vraisemblance et l'estimation contrastive bruitée. Les expériences menées sur les tâches de traduction des séminaires Tedtalks et de textes médicaux, depuis l'anglais vers le français, montrent la pertinence d'un cadre d'apprentissage discriminant et l'importance d'une initialisation judicieuse, en particulier dans une perspective d'adaptation au domaine.
Fichier principal
Vignette du fichier
5-Do-TAL57-1.pdf (772.24 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Loading...

Dates et versions

hal-01620906 , version 1 (22-10-2017)

Identifiants

  • HAL Id : hal-01620906 , version 1

Citer

Quoc Khanh Do, Alexandre Allauzen, François Yvon. Apprentissage discriminant de modèles neuronaux pour la traduction automatique. Revue TAL : traitement automatique des langues, 2016, 57, pp.111-135. ⟨hal-01620906⟩
182 Consultations
468 Téléchargements

Partager

Gmail Facebook X LinkedIn More