Translation Of Telugu-Marathi and Vice-Versa using Rule Based Machine Translation
在当今的数字世界中，一种语言到另一种语言的自动化机器翻译已经走过了很长的路，以实现不同类型的成功故事。虽然Babel Fish支持大量的外语，但只有印度语中的印地语，而Google翻译则支持大约10种印度语言。虽然大多数自动机器翻译系统都做得很好，但处理印度语言时需要特别小心，同时处理当地的谚语/成语。大多数机器翻译系统在将一种印度语言翻译成另一种印度语言时遵循直接翻译方法。我们在KMIT R & D Lab的研究发现，早期的研究工作对处理当地谚语/成语没有给予足够的重视。本文重点介绍两种主要的印度语言马拉地语和泰卢固语，以及它们之间的翻译。对英汉谚语和成语的处理也给予了特别的关注，研究成果在这方面取得了显著的成就。
2014-06-16 cs.CL
Identifying Gender Stereotypes and Biases in Automated Translation from English to Italian using Similarity Networks
Department of Computer Science（计算机科学系）；Università degli Studi di Milano（米兰大学）；Department of Italian and Supranational Public Law（意大利与超国家公法系）
该跨学科研究聚焦英意自动化翻译的性别偏见问题，通过结合法学与语言学定义、分析性别特定术语的余弦相似度及数值特征评估偏见强度方向，为性别中立翻译算法开发提供了洞见。
2025-02-17 cs.AI cs.CL
Mind the Language Gap in Digital Humanities: LLM-Aided Translation of SKOS Thesauri
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对数字人文领域语言多样性限制知识资源利用的问题，提出结合外部翻译服务与LLM优化的开源流水线WOKIE，可在普通硬件运行，经15种语言叙词表验证，能提升翻译质量与本体匹配效果，助力多语言研究基础设施建设。
2025-07-29 cs.CL
Automated evaluation of LLMs for effective machine translation of Mandarin Chinese to English
本文通过自动化框架评估LLMs在中文到英文翻译中的表现，发现其在新闻翻译中表现良好，但在文学文本中存在性能差异，且文化细节和修辞表达仍需改进。
2026-02-15 cs.AI cs.CL
Machine-Translation History and Evolution: Survey for Arabic-English Translations
Sana’a University（萨那大学）
由于信息和通信技术的迅速变化，世界已成为一个小村庄，来自世界各地的人们通过互联网相互联系，进行对话和交流。此外，通信已成为日常活动，由于新的全球化，其中公司，甚至大学成为全球居住跨越国家边界。因此，翻译成为这个互联世界中所需的活动。信息和通信技术使一个国家的学生能够随时随地轻松地学习不同国家的课程，甚至获得不同国家的学位。作为结果的通信仍然需要一种语言作为帮助接收者理解发送消息内容的手段。人们需要一个自动翻译应用程序，因为人工翻译很难找到所有的时间，和人工翻译是非常昂贵的翻译相比，自动化的过程。几种类型的研究描述了机器翻译的电子过程。在本文中，作者将研究这些研究的一部分，他们将探讨机器翻译所需的一些工具。本文的研究将有助于机器翻译领域的研究者对机器翻译的研究群体进行总结，并阐明翻译机制的重要性。
2017-09-14 cs.CL
Paying Attention to Multi-Word Expressions in Neural Machine Translation
University of Latvia（拉脱维亚大学）；Charles University（查理大学）
多词表达式（MWE）的处理是任何自然语言处理任务的已知问题。即使是神经机器翻译（NMT）也很难克服它。本文介绍了研究NMT对MWE的注意力分配以及改进包含MWE的句子的自动翻译的实验结果英语->拉脱维亚语和英语->捷克语NMT系统。提出了两种改进策略：（1）将自动提取的多目标候选词的双语对添加到用于训练NMT系统的并行语料库中;（2）将包含自动提取的多目标候选词的完整句子添加到并行语料库中。这两种方法都可以增加自动化评价结果。最好的结果- 0.99 BLEU点增加-已经达到了第一种方法，而第二种方法实现了最小的改进。我们还提供用于MWE提取和对齐检查的开源软件和工具。
2019-05-04 cs.CL
Convergences and Divergences between Automatic Assessment and Human Evaluation: Insights from Comparing ChatGPT-Generated Translation and Neural Machine Translation
School of Foreign Languages, Shanghai Jiao Tong University（上海交通大学外国语学院）；Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系）；Institute of Corpus Studies and Applications, Shanghai International Studies University（上海外国语大学语料库研究与应用研究所）
本研究比较了ChatGPT与NMT系统的翻译质量，发现自动评估与人工评估在形式保真度上一致，但在语义和语用保真度上存在分歧，突显了人工判断的不可或缺性。
2024-10-12 cs.AI cs.CL
Leveraging Automated Unit Tests for Unsupervised Code Translation
Facebook AI Research（脸书人工智能研究院）；Paris-Dauphine University（巴黎第九大学）；University College London（伦敦大学学院）；Facebook（脸书）
由于程序设计语言几乎没有并行数据，无监督方法非常适合源代码翻译。然而，大多数无监督机器翻译方法依赖于回译，这是在自然语言翻译的背景下开发的一种方法，并且本质上涉及对噪声输入的训练。不幸的是，源代码对微小的变化非常敏感;单个标记可能导致编译失败或错误的程序，这与自然语言不同，在自然语言中，微小的不准确可能不会改变句子的含义。为了解决这个问题，我们建议利用一个自动化的单元测试系统来过滤掉无效的翻译，从而创建一个完全测试的并行语料库。我们发现，使用此过滤数据集对无监督模型进行微调，可以显著降低如此生成的翻译中的噪声，对于所研究的所有语言对，其表现都优于最先进的技术。特别是，对于Java $\to$ Python和Python $\to$ C++，我们的性能分别比以前最好的方法高出16%和24%以上，出错率降低了35%以上。
2022-02-16 cs.CL cs.LG cs.SE
An Analysis on Automated Metrics for Evaluating Japanese-English Chat Translation
Tokyo Denki University（东京电机大学）
本文分析了传统与神经网络指标在日英聊天翻译评估中的表现，发现传统指标在模型排名上与神经网络指标一致且更高效，但神经网络指标（尤其是COMET）与人工判断相关性更高，且所有指标在处理含指代性零代词的句子时均存在困难。
2024-12-24 cs.AI cs.CL
Contextual effects of sentiment deployment in human and machine translation
University of California, Los Angeles（加州大学洛杉矶分校）
本文揭示翻译中整体情感偏移对自动化情感分析的影响，指出机器翻译会缩小文本语义场，尤其影响认知性词汇，而人工翻译则不会。研究通过对比两种翻译方式，为情感分析应用提供重要警示。
2025-02-25 cs.CL
Preparation of Sentiment tagged Parallel Corpus and Testing its effect on Machine Translation
Jadavpur University（jadavpur大学）
在目前的工作中，我们探讨了丰富的机器翻译输出时，训练并行语料库增加了情感分析。本文讨论了带有相同情感标签的英语-孟加拉语平行语料库的制作。本文对平行语料库的准备、句子的情感分析以及使用它们训练基于字符的神经机器翻译模型进行了广泛的讨论。翻译模型的输出与使用BLEU和TER等自动化指标以及手动的基线翻译模型进行了比较。
2020-07-28 cs.CL
Machine Translation Systems in India
Tata Consultancy Services（塔塔咨询服务公司）；Dibrugarh University Institute of Engineering and Technology（迪布鲁加尔大学工程技术学院）
机器翻译是使用自动化和计算机化手段将一种自然语言翻译成另一种自然语言。对于像印度这样的多语言国家来说，随着不同地区之间以数字化格式以不同语言交换大量信息，有必要找到从一种语言到另一种语言的自动化过程。在本文中，我们来看看印度的各种机器翻译系统，它是专门为印度语言之间的翻译而构建的。我们讨论了建立机器翻译系统所采取的各种方法，然后讨论了印度的一些机器翻译系统及其特点。
2013-04-29 cs.CL cs.CY
Automated Prediction of Medieval Arabic Diacritics
University of Helsinki（赫尔辛基大学）
本研究使用一个字符级的神经机器翻译方法训练的长短期记忆为基础的双向递归神经网络架构的中世纪阿拉伯语的变音。结果比用作基线的在线工具有所改善。一个变音符号化模型已经通过PyPi和Zenodo上提供的易于使用的Python包公开发布。我们发现，在优化可行的预测模型时，应该考虑上下文大小。
2020-10-11 cs.CL
Revisiting Low Resource Status of Indian Languages in Machine Translation
IIIT Hyderabad（国际信息技术研究所海得拉巴分校）；University of Bath（巴斯大学）
印度语言机器翻译的性能受到阻碍，由于缺乏大规模的多语言句子对齐语料库和强大的基准。通过本文，我们提供并分析了一个自动化的框架，以获得这样的语料库的印度语言神经机器翻译（NMT）系统。我们的管道包括一个基线NMT系统，一个检索模块和一个对齐模块，用于与政府新闻稿等公开网站合作。对这项工作的主要贡献是获得一种增量方法，该方法使用上述管道来迭代地改进语料库的大小，并改进我们系统的每个组件。通过我们的工作，我们还评估了设计的选择，如选择旋转语言和迭代增量增加语料库大小的影响。我们的工作，除了提供一个自动化的框架，还导致生成一个相对较大的语料库相比，现有的语料库，可用于印度语言。该语料库帮助我们在公开可用的WAT评估基准和其他标准评估基准上获得大幅改进的结果。
2020-11-04 cs.CL
Neural Machine Translation for Malayalam Paraphrase Generation
Institute of Linguistics, RAS（俄罗斯科学院语言学研究所）
本研究借助英语释义资源与预训练NMT模型探索四种马拉雅拉姆语释义生成方法，经自动指标与人工标注评估发现自动指标与人工判断存在偏差，凸显黏着语言需更精细的释义评估方案。
2024-01-31 cs.AI cs.CL
Automated Multi-Language to English Machine Translation Using Generative Pre-Trained Transformers
Sandia National Laboratories（桑迪亚国家实验室）；New Mexico Tech（新墨西哥理工学院）；New Mexico Cybersecurity Center of Excellence（新墨西哥卓越网络安全中心）
本研究使用本地GPT模型实现零样本多语言到英语的机器翻译，基准测试了16个开源模型在50种语言上的表现，发现ReMM-v2-L2-13B在多数指标上取得最佳翻译效果。
2024-04-23 cs.AI cs.CL cs.LG
Neural machine translation for automated feedback on children's early-stage writing
Technical University of Denmark（丹麦技术大学）
本研究提出用序列到序列模型将儿童早期写作自动翻译为常规文本，并引入稳健似然以应对噪声，实验证明该方法能高精度预测常规文本，实现自动反馈。
2023-11-15 cs.CL cs.LG
Neural Machine Translation for Extremely Low-Resource African Languages: A Case Study on Bambara
Rochester Institute of Technology（罗切斯特理工学院）；Centre National Collaboratif de l’Education en Robotique et en Intelligence Artificielle (RobotsMali)（国家机器人与人工智能教育合作中心（马里机器人））；Google Research（谷歌研究院）；Orange Silicon Valley（奥兰治硅谷）
低资源语言对（神经）机器翻译提出了独特的挑战。我们讨论的情况下，班巴拉，曼德语的训练数据是稀缺的，需要大量的预处理。除了班巴拉语本身的语言情况外，班巴拉语使用者所生活的社会文化背景也对这种语言的自动化处理提出了挑战。在本文中，我们提出了第一个并行数据集的机器翻译的Bambara到英语和法语和第一个基准结果的机器翻译和Bambara。我们讨论了在低资源语言工作的挑战，并提出了策略，以应对低资源机器翻译（MT）的数据稀缺性。
2020-11-10 cs.CL
TranslationCorrect: A Unified Framework for Machine Translation Post-Editing with Predictive Error Assistance
Ontario Tech University（安大略技术大学）；University of Toronto（多伦多大学）
TranslationCorrect是一个集成MT生成、错误预测和译后编辑界面的统一框架，通过ESA格式导出高质量注释，显著提升翻译效率和用户满意度。
2025-06-23 cs.CL
Does Summary Evaluation Survive Translation to Other Languages?
Primer Technologies Inc.（Primer Technologies公司）；Technische Universität Berlin（柏林工业大学）
创建高质量的摘要数据集是一项昂贵且耗时的工作，需要经过培训的人员和机器对摘要进行生产和评估。如果在一种语言中做出这样的努力，那么能够在其他语言中使用它而不重复人工注释将是有益的。为了研究我们可以在多大程度上信任这样一个数据集的机器翻译，我们将英语数据集SummEval翻译为七种语言，并比较自动评估措施的性能。我们探讨等效性检验作为适当的统计范式，用于评估人类和自动评分的摘要之间的相关性。虽然我们发现类似于源语言的数据集重用有一定的潜力，但大多数摘要评估方法在翻译过程中并不具有统计等效性。
2021-12-08 cs.CL
Text-Only vs. Image-Aware VLM Judges for Manga Translation Evaluation
Tohoku University（东北大学）
该研究对比仅文本裁判（TOJ）与感知图像裁判（IAJ）的漫画翻译评估差异，采用同一VLM构建验证框架，发现加入图像可提升退化检测能力，且二者存在评估差异但无一致偏好。
2026-10-14 cs.CL cs.CV
Hi Guys or Hi Folks? Benchmarking Gender-Neutral Machine Translation with the GeNTE Corpus
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
针对机器翻译易出现性别刻板假设的问题，本研究构建了面向英意性别中立翻译的双语测试集GeNTE，并提出更适配的无参考评估方法，为包容性翻译技术提供基准支撑。
2023-10-08 cs.CL
Scalable Machine Translation in Memory Constrained Environments
University of Oxford（牛津大学）
机器翻译是一门关于开发自动化工具的学科，用于将一种人类语言翻译成另一种人类语言。统计机器翻译（SMT）是这一领域的主流范式。在SMT中，翻译是通过统计模型生成的，其参数是从双语数据中学习的。可伸缩性是SMT中的一个关键问题，因为人们希望利用尽可能多的数据来训练更好的翻译系统。近年来，具有足够计算能力的移动设备已经变得广泛可用。尽管非常成功，但依赖于NLP系统的移动应用程序继续遵循客户端-服务器架构，这是有限的使用，因为访问互联网通常是有限的和昂贵的。本论文的目标是展示如何构建一个可扩展的机器翻译系统，可以在移动终端上使用有限的资源。在移动设备上移植翻译系统的主要挑战是内存使用。移动终端上可用的内存量远小于客户端-服务器应用程序的服务器端上通常可用的内存量。在这篇论文中，我们研究了这两个组件的替代方案，这两个组件阻止标准翻译系统在移动设备上工作，由于高内存使用。我们表明，一旦这些标准组件被替换为我们提出的替代品，我们获得了一个可扩展的翻译系统，可以在内存有限的设备上工作。
2016-10-06 cs.CL
Generating Adversarial Texts for Machine Translation via GRPO
ETH Zurich（苏黎世联邦理工学院）
提出基于GRPO强化学习的方法，通过微调大语言模型重写源文本，生成更难翻译的对抗样本，显著降低翻译质量并保持可读性。
2026-09-09 cs.CL
On Measuring Gender Bias in Translation of Gender-neutral Pronouns
Seoul National University（首尔大学）；INMC
关于社会偏见的伦理学最近在自然语言处理中提出了引人注目的问题。特别是对于与性别相关的主题，在诸如图像描述、内容推荐和自动化就业的领域中，对减少模型偏差的系统的需求已经增长。然而，机器翻译系统中的性别偏见的检测和评估尚未得到彻底的研究，因为任务是跨语言的，具有挑战性的定义。在本文中，我们提出了一个计划，使一个测试集，评估性别偏见的机器翻译系统，与韩国，一种语言的性别中性代词。三个词/短语集主要是构建，每个包含积极/消极的表达或职业;所有的术语都是性别独立的或至少没有严重偏向一侧。然后，根据代词的正式性和句子的礼貌性构建了附加的句子列表。在生成的句子集的大小为4,236，我们评估传统的机器翻译系统中的性别偏见，利用所提出的措施，这是在这里被称为翻译性别偏见指数（TGBI）。语料库和评价代码可在线查阅。
2019-05-28 cs.CL
Dialectal and Low-Resource Machine Translation for Aromanian
Tudor Vianu National College of Computer Science（图多尔·维亚努国家计算机科学学院）；West University of Timișoara（蒂米什瓦拉西部大学）；Human Language Technologies Research Center, University of Bucharest（布加勒斯特大学人类语言技术研究中心）
该研究构建支持英语、罗马尼亚语和阿罗马尼亚语的神经机器翻译系统，发布79,000句对平行语料库及优化模型与辅助工具，促进低资源濒危语言保护。
2025-01-07 cs.CL
A Measure of the System Dependence of Automated Metrics
Centre for Artificial Intelligence（人工智能中心）；ZHAW School of Engineering（苏黎世应用科技大学工程学院）
本文针对机器翻译自动化度量可能对不同系统存在不公平或不一致对待的问题，提出了一种评估度量系统依赖性的新方法。
2024-12-28 cs.AI cs.CL
An Empirical Accuracy Law for Sequential Machine Translation: the Case of Google Translate
在这项研究中，我们已经建立了，通过实证测试，一个法律，涉及翻译跳数的翻译精度在顺序机器翻译在谷歌翻译。精度和大小都随着跳数的增加而减小;前者显示出严格遵循幂律的减小。这样的定律允许人们预测随着社会越来越依赖自动化设备而可能建立的翻译链的行为。
2020-04-08 cs.CL cs.LG stat.ML
Artificial Error Generation with Machine Translation and Syntactic Patterns
The ALTA Institute（ALTA研究所）；Computer Laboratory（计算机实验室）；University of Cambridge（剑桥大学）
缺乏可用的训练数据阻碍了自动错误检测领域的进展。本文研究了两种人工生成写作错误的方法，以创建额外的资源。我们建议将错误生成视为机器翻译任务，其中语法正确的文本被翻译为包含错误。此外，我们探索了一个系统，从注释语料库中提取文本模式，然后可以用来插入语法正确的句子中的错误。我们的实验表明，包含人工生成的错误显着提高了FCE和CoNLL 2014数据集上的错误检测精度。
2017-07-17 cs.CL cs.LG
Decoding and Diversity in Machine Translation
Carnegie Mellon University（卡内基梅隆大学）；Amazon AWS AI（亚马逊AWS人工智能）
神经机器翻译（NMT）系统通常使用自动化度量来评估，该自动化度量评估生成的翻译与地面实况候选之间的一致性。为了改进这些指标的系统，NLP研究人员采用了各种启发式技术，包括搜索条件模式（与采样）和结合各种训练算法（例如，标签平滑）。虽然搜索策略显著提高了BLEU分数，但它们产生的确定性输出缺乏人工翻译的多样性。此外，搜索倾向于偏向翻译性别代词的分布。这使得人类水平的BLEU成为一个误导性的基准，因为现代MT系统无法在保持人类水平翻译多样性的同时接近人类水平的BLEU。在本文中，我们的特征之间的分布差异生成和真实的翻译，检查的成本支付的多样性享受NMT的BLEU分数。此外，我们的研究表明，搜索作为一个显着的来源，已知的偏见时，翻译性别代词。
2020-11-26 cs.CL cs.LG
High Quality Rather than High Model Probability: Minimum Bayes Risk Decoding with Neural Metrics
Google Research（谷歌研究院）
在神经机器翻译中，通常假设具有最高估计概率的句子也应该是具有人类测量的最高质量的翻译。在这项工作中，我们质疑这一假设，并表明模型估计和翻译质量只有模糊的相关性。我们将最小贝叶斯风险（MBR）解码应用于无偏样本，以优化翻译质量的各种自动化指标，作为束搜索的替代推理策略。MBR解码不是以具有最高模型概率的假设为目标，而是提取具有最高估计质量的假设。我们的实验表明，将神经翻译模型与基于神经参考的度量BLEURT相结合，可以显著改善人类评估。这种改进是通过与经典波束搜索输出不同的平移获得的：这些平移具有低得多的模型似然性，并且不太受BLEU等表面度量的青睐。
2022-04-25 cs.AI cs.CL cs.LG
A Snapshot into the Possibility of Video Game Machine Translation
University of Liège（列日大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）
我们在这篇文章中提出了我们认为是视频游戏机器翻译的第一次尝试之一。我们的研究表明，仅用有限的域内数据训练的模型远远超过了公开可用的系统，随后的人工评估在最终翻译中揭示了有趣的发现。文章的第一部分介绍了视频游戏翻译的一些挑战，一些现有的文献，以及在这个实验中使用的系统和数据集。最后一节讨论了我们对结果翻译的分析以及这种自动化系统的潜在好处。其中一个发现突出了该模型学习视频游戏从英语翻译成法语的典型规则和模式的能力。因此，我们的结论表明，视频游戏机器翻译的具体情况下，可以证明非常有用的令人鼓舞的结果，高度重复的工作性质，以及往往恶劣的工作条件，翻译人员在这一领域面临的。然而，与文化领域的其他MT用例一样，我们认为这在很大程度上取决于该工具的正确实施，人工翻译人员应该交互使用该工具来激发创造力，而不是为了生产力而进行原始的后期编辑。
2022-09-19 cs.CL cs.HC
Should We be Pedantic About Reasoning Errors in Machine Translation?
University of Maryland（马里兰大学）
研究通过多种语言对发现翻译中的推理错误，采用自动化标注协议评估错误类型，并通过干预措施发现小修正对翻译质量影响小，但强干预能提高分辨率，但翻译质量提升不一致。
2026-04-10 cs.AI cs.CL
Norm-Based Curriculum Learning for Neural Machine Translation
University of Macau（澳门大学）；NewTranx Information Technology（新译信息科技）
神经机器翻译（NMT）系统的训练成本很高，尤其是在高资源设置的情况下。随着NMT架构变得越来越深入和广泛，这个问题变得越来越严重。在本文中，我们的目的是通过引入一种新的基于规范的课程学习方法来提高NMT的培训效率。我们使用词嵌入的范数（又名长度或模）作为衡量1）句子的难度，2）模型的能力，3）句子的权重。规范为基础的句子难度的优势，语言动机和基于模型的句子困难。它很容易确定，并包含学习依赖的功能。基于范数的模型能力使NMT以完全自动的方式学习课程，而基于范数的句子权重进一步增强了NMT的向量表示的学习。WMT'14英-德和WMT'17中-英翻译任务的实验结果表明，该方法在BLEU得分（+1.17/+1.56）和训练加速比（2.22 x/3.33 x）方面优于强基线。
2020-06-03 cs.CL cs.LG
A Picture is Worth a Thousand (Correct) Captions: A Vision-Guided Judge-Corrector System for Multimodal Machine Translation
Indian Institute of Technology (IIT) Madras（印度理工学院马德拉斯分校）
本文提出视觉引导的评判-校正流水线，自动检测并纠正多模态翻译训练数据中的错误，并结合 LoRA 微调 IndicTrans2，在四种英印语言对上取得一致的 BLEU 提升。
2025-11-10 cs.CL cs.CV cs.HC
First Experiments with Neural Translation of Informal to Formal Mathematics
University of Innsbruck（因斯布鲁克大学）；Czech Technical University in Prague（布拉格捷克理工大学）
我们报告了我们的实验，训练深度神经网络，自动翻译非正式的LaTeX写的Mizar文本到正式的Mizar语言。据我们所知，这是第一次当神经网络已被采用在数学的形式化。Using Luong et al.的神经机器翻译模型（NMT），我们测试了我们对齐的非正式正式语料库对各种超参数和评估他们的结果。实验结果表明，我们的最佳模型配置能够在65.73%的推理数据上生成正确的Mizar语句，所有模型的联合覆盖率为79.17%。这些结果表明，通过人工神经网络的形式化是一种很有前途的方法自动形式化的数学。我们提出了几个案例研究来说明我们的结果。
2018-06-11 cs.AI cs.CL cs.LG
A Flexible Approach to Automated RNN Architecture Generation
Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑与认知科学系）；Salesforce Research（Salesforce 研究院）
设计神经架构的过程需要专业知识和广泛的试错。虽然自动架构搜索可以简化这些要求，但现有方法生成的递归神经网络（RNN）架构在灵活性和组件方面都受到限制。我们提出了一种用于自动架构搜索的特定领域语言（DSL），它可以产生任意深度和宽度的新型RNN。DSL足够灵活，可以定义标准架构，如门控递归单元和长短期记忆，并允许引入非标准RNN组件，如三角曲线和层归一化。使用两种不同的候选生成技术，随机搜索与排名功能和强化学习，我们探索了新的架构产生的RNN DSL语言建模和机器翻译领域。由此产生的架构并不遵循人类的直觉，但在其目标任务上表现良好，这表明可用的RNN架构的空间远远大于之前的假设。
2017-12-20 cs.CL cs.LG stat.ML
Automated Audio Captioning with Recurrent Neural Networks
Tampere University of Technology（坦佩雷理工大学）
我们提出了第一种方法来自动音频字幕。我们采用了一个编码器-解码器方案与对齐模型之间。编码器的输入是从音频文件计算的对数梅尔带能量序列，而输出是单词序列，即字幕。编码器是一个多层的双向门控递归单元（GRU），解码器是一个多层GRU，其分类层连接到解码器的最后一个GRU。分类层和对齐模型是在时间步之间具有共享权重的全连接层。所提出的方法进行评估，使用从商业音效库，ProSound Effects的数据。通过在机器翻译和图像描述领域中使用的度量对所得到的字幕进行评级。度量结果表明，该方法可以预测出现在原始字幕中的单词，但并不总是正确的顺序。
2017-10-24 cs.CL cs.LG cs.SD
Automated Gradient-Driven Parameter Sharing for Low-Resource Multilingual Speech-to-Text Translation
School of Data Science（数据科学学院）
本文提出通过挖掘训练梯度信息自动确定层间共享模式的方法，提升多语言语音翻译的收敛性与翻译质量。
2026-09-18 cs.CL
Measuring Uncertainty in Translation Quality Evaluation (TQE)
Logrus Global LLC（Logrus Global有限责任公司）；Tver State University（特维尔国立大学）；ROKO Labs（ROKO实验室）；ADAPT Centre（ADAPT中心）；Dublin City University（都柏林城市大学）
翻译质量评估是翻译研究者和机器翻译研究者共同关注的重要课题。翻译服务提供商（TSP）必须在严格的时间框架和成本内提供大量符合客户规格的翻译，并严格限制所需的质量水平。MT研究人员努力使他们的模型更好，这也需要可靠的质量评估。虽然自动机器翻译评估（MTE）指标和质量评估（QE）工具广泛可用且易于访问，但现有的自动化工具还不够好，专业翻译人员（HAP）的人工评估通常被选为黄金标准\cite{han-etal-2021-TQA}。然而，人的评价常常被指责为可靠性和一致性低。这是主观性造成的，还是统计数据在起作用？如何从成本和效率的角度避免对整个文本进行检查并使TQE更有效，以及翻译文本的最佳样本量是多少，以便可靠地评估整个材料的翻译质量？这项工作进行了这样的动机研究，以正确估计置信区间\cite{Brown_etal2001Interval}取决于翻译文本的样本大小，例如，单词或句子的数量，需要在TQE工作流程步骤中处理，以自信和可靠地评估整体翻译质量。我们应用的方法是从伯努利统计分布模型（BSDM）和蒙特卡罗抽样分析（MCSA）。
2021-11-15 cs.CL cs.NA math.NA
Improving Performance of Automated Essay Scoring by using back-translation essays and adjusted scores
Kum Sung Middle School Number 2（金城第二中学）；KIM IL SUNG University（金日成大学）
作文自动评分在评价学生的语言能力方面起着重要的作用。传统的方法使用手工制作的功能来评分，耗时且复杂。最近，神经网络方法在没有任何特征工程的情况下提高了性能。与其他自然语言处理任务不同，只有少量数据集可公开用于自动作文评分，并且数据集的大小不够大。考虑到神经网络的性能与数据集的大小密切相关，数据的缺乏限制了自动作文评分模型的性能提高。在本文中，我们提出了一种方法，以增加数量的论文分数对使用回翻译和分数调整，并将其应用到自动学生评估奖数据集的增强。我们使用先前工作中的模型评估了增强数据的有效性。此外，在一个使用长短期记忆的模型中评估了表现，该模型广泛用于自动作文评分。通过使用增广数据对模型进行训练，提高了模型的性能。
2022-03-04 cs.CL
Embedded Translations for Low-resource Automated Glossing
University of British Columbia（不列颠哥伦比亚大学）
本研究通过嵌入翻译信息并利用BERT和T5编码及字符级解码器，在低资源行间注疏任务中显著超越现有最优方法，助力语言记录与保护。
2024-03-13 cs.CL
Using Multiple Subwords to Improve English-Esperanto Automated Literary Translation Quality
Trinity College Dublin（都柏林圣三一学院）；Dublin City University（都柏林城市大学）
为低资源语言构建机器翻译（MT）系统仍然具有挑战性。对于许多语言对，并行数据并不广泛可用，在这种情况下，MT模型无法实现与高资源语言相比的结果。在数据稀缺的情况下，最大限度地利用现有的有限材料至关重要。为此，在本文中，我们建议多次使用相同的平行句子，每次只改变单词的拆分方式。为此，我们使用了几种字节对编码模型，在它们的配置中使用了各种合并操作。在我们的实验中，我们使用这种技术来扩大可用的数据，并改善MT系统涉及低资源的语言对，即英语世界语。作为一个额外的贡献，我们提供了一套英语世界语在文学领域的平行数据。
2020-11-28 cs.CL
Automated Python Translation
George Mason University（乔治梅森大学）；University of Central Florida（中佛罗里达大学）
针对非英语使用者理解Python代码的障碍，提出将Python自然模态自动翻译成其他语言的任务，构建自动化管道并比较机器翻译与大语言模型策略，获取多库多语言翻译并测试质量，为通用Python提供路径。
2025-04-16 cs.CL
Looking under the Wrong Lamppost: On the Limitations of Automated Translation Quality Estimation
本文从理论和实证角度分析自动翻译质量评估（QE）的结构性局限，指出其无法作为独立工具用于实际翻译工作流，建议未来聚焦于基于MQM的人类评估自动化。
2026-08-05 cs.CL
Assessing Pause Thresholds for empirical Translation Process Research
CRITT, Kent State University（肯特州立大学翻译与翻译技术研究中心）
本文比较了五种计算暂停阈值的方法，并提出了一种新的生产单元断点计算方法，以区分自动化与反思性翻译过程。
2026-06-02 cs.CL
Solving puzzles described in English by automated translation to answer set programming and learning how to do that translation
Arizona State University（亚利桑那州立大学）
我们提出了一个系统，能够自动解决组合逻辑难题（简化）英语。它涉及到翻译成答案集编程（ASP）的难题的英文描述，并使用ASP求解器提供的难题的解决方案。为了翻译这些描述，我们使用了一种基于概率组合范畴语法（PCCG）的基于微积分的方法，其中单词的含义与参数相关联，以便能够区分同一单词的多种含义。许多单词的含义和参数都是学习的。在ASP中使用适用于大量逻辑谜题的本体来表示谜题。
2011-08-18 cs.AI cs.CL cs.LO
Recovered in Translation: Efficient Pipeline for Automated Translation of Benchmarks and Datasets
INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT，索菲亚大学"圣克莱门特·奥赫里迪斯基"）；ETH Zurich（苏黎世联邦理工学院）
本文提出了一种高效自动化框架，用于高质量翻译多语言基准和数据集，以提升多语言AI评估的准确性和可靠性。
2026-02-25 cs.AI cs.CL cs.LG
BSTC: A Large-Scale Chinese-English Speech Translation Dataset
Baidu Inc.（百度公司）
本文介绍了一个大规模的汉英语音翻译数据集BSTC（Baidu Speech Translation Corpus）。该数据集是基于一系列许可的演讲或讲座视频构建的，包括约68小时的普通话数据，其手动转录和翻译成英语，以及通过自动语音识别（ASR）模型进行的自动转录。我们还邀请了三名经验丰富的口译员在模拟会议环境中同时为测试会谈进行口译。该语料库对自动同声翻译的研究和实用系统的开发具有一定的促进作用。我们已经组织了同声翻译任务，并使用该语料库来评估自动同声翻译系统。
2021-04-27 cs.CL
MAATS: A Multi-Agent Automated Translation System Based on MQM Evaluation
MAATS是一种基于MQM框架的多智能体自动翻译系统，通过多个专门AI智能体分别处理不同MQM错误类别并迭代改进翻译，在多种语言对和LLM上显著优于单智能体基线，提升了语义准确性与上下文保真度。
2025-08-08 cs.CL cs.LG cs.MA
Vashantor: A Large-scale Multilingual Benchmark Dataset for Automated Translation of Bangla Regional Dialects to Bangla Language
Department of Computer Science and Engineering, Ahsanullah University of Science and Technology（阿斯南大学科学与技术学院）；Environmental Sciences, Khulna University（库尔纳大学环境科学系）；Department of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）
针对孟加拉语地区方言到标准孟加拉语翻译的研究空白，构建了涵盖5种方言的32500句大规模基准数据集Vashantor，提出DialectBanglaT5翻译模型与DialectBanglaBERT地区检测模型，取得了优异性能并为相关研究设立新基准。
2025-11-15 cs.CL
Diagnosing Translated Benchmarks: An Automated Quality Assurance Study of the EU20 Benchmark Suite
本文通过自动化方法研究EU20基准套件的翻译质量，发现低COMET分数的数据包含更多准确性错误，释放了清理后的数据集和可复现代码。
2026-04-02 cs.CL cs.IR
ROC Analysis for Evaluating Translation Quality Estimation Systems
Acta-Transphere；CFB Scientific Translations LLC
本文提出使用接收者操作特征（ROC）分析评估自动翻译质量估计（QE）系统，该方法与现有方法结果一致，并能为商业决策提供可操作的性能洞察。
2026-10-06 cs.CL
The Role of Prompt Language and Translation-Theory-Driven Prompts in Large Language Models: A Case Study on Spanish-Chinese Journalistic Translation
Faculty of Translation and Interpreting（翻译与口译学院）；Autonomous University of Barcelona（巴塞罗那自治大学）；Barcelona, Spain（西班牙巴塞罗那）
研究提示语言和翻译理论驱动的提示设计对GPT-5.2生成的西中新闻翻译质量的影响。通过48种实验条件翻译平行语料库，用自动评估指标和人工评估，发现理论驱动提示能减少特定错误，提示语言影响小。
2026-07-07 cs.AI cs.CL
