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
Preparing an Endangered Language for the Digital Age: The Case of Judeo-Spanish
Col·lectivaT；Universitat Pompeu Fabra（庞培法布拉大学）；Dublin City University（都柏林城市大学）；Sephardic Center of Istanbul（伊斯坦布尔塞法迪中心）
我们开发机器翻译和语音合成系统，以补充振兴犹太-西班牙语的努力，这是塞法迪犹太人的流亡语言，幸存了几个世纪，但现在面临着在数字时代灭绝的威胁。在土耳其和其他地方的塞法迪社区创建的资源的基础上，我们创建了语料库和工具，有助于为后代保护这种语言。对于机器翻译，我们首先开发了一个西班牙语到犹太-西班牙语的基于规则的机器翻译系统，以生成大量的合成并行数据的相关语言对：土耳其语，英语和西班牙语。然后，我们使用这个合成数据和由Sephardic社区翻译创建的真实并行数据来训练基线神经机器翻译引擎。对于文本到语音合成，我们提出了一个3.5小时的单扬声器语音语料库建立一个神经语音合成引擎。资源、模型权重和在线推理引擎是公开共享的。
2022-05-31 cs.CL
DelTA: An Online Document-Level Translation Agent Based on Multi-Level Memory
Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳计算与智能研究院）；Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯微信AI模式识别中心）；NLP2 CT Lab, Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系NLP2 CT实验室）
针对LLM在文档机器翻译中难以保持一致性和准确性的问题，提出基于多级记忆结构的在线文档级翻译智能体DelTA，通过逐句翻译策略和辅助LLM组件持续检索更新记忆，显著提升了翻译质量与上下文准确性。
2025-03-05 cs.AI cs.CL
Machine Translation Evaluation with Neural Networks
Qatar Computing Research Institute — HBKU（卡塔尔计算研究所 — 哈马德·本·哈利法大学）
我们提出了一个机器翻译评估框架，在成对设置中使用神经网络，其目标是从一对假设中选择更好的翻译，给定的参考翻译。在这个框架中，词汇，句法和语义信息的参考和两个假设被嵌入到紧凑的分布式矢量表示，并送入一个多层神经网络，模型之间的非线性相互作用的假设和参考，以及两个假设。我们实验的基准数据集，从WMT共享任务，我们获得了最好的结果发表到目前为止，与基本的网络配置。我们还进行了一系列的实验来分析和理解网络的不同组件的贡献。我们评估的变体和扩展，包括微调的语义嵌入，并基于卷积和递归神经网络建模的表示。总之，所提出的框架是灵活的和可推广的，允许有效的学习和评分，并提供与人类判断相关的MT评估度量，并且与现有技术水平相当。
2017-10-05 cs.CL
Can Peter Pan Survive MT? A Stylometric Study of LLMs, NMTs, and HTs in Children's Literature Translation
School of Foreign Studies, Tongji University（同济大学外国语言学院）；Language and Translation Technology Team, Ghent University（根特大学语言与翻译技术团队）
本研究从计量文体学角度构建Peter Pan语料库，对比了LLMs、NMTs和HTs在英译中儿童文学翻译中的表现，发现LLMs在创意文本翻译特征上比NMTs更接近HTs，展现出在儿童文学翻译中的潜力。
2025-06-27 cs.CL
Hard Negatives Reveal What Easy Negatives Hide: Cross-Lingual Harmfulness Representations Degrade with Resource Tier Under Hard Negatives
Birla Institute of Technology and Science, Pilani, Hyderabad Campus（比拉理工学院皮拉尼分校海得拉巴校区）
本研究证明跨语言有害性表征迁移依赖于负样本类型：在困难负样本下，低资源语言的有害性表征显著退化，表明仅用容易负样本评估不能证明表征跨语言存续。
2026-09-24 cs.AI cs.CL
A Deep Reinforced Model for Zero-Shot Cross-Lingual Summarization with Bilingual Semantic Similarity Rewards
Carnegie Mellon University（卡内基梅隆大学）
跨语言文本摘要的目的是在一种语言输入的情况下生成另一种语言的文档摘要。这是一项具有实际意义的重要任务，但尚未得到充分探讨，主要原因是缺乏可用数据。现有的方法求助于机器翻译来合成训练数据，但是这样的流水线方法遭受错误传播。在这项工作中，我们提出了一个端到端的跨语言文本摘要模型。该模型使用强化学习来直接优化以目标语言生成的摘要与以源语言生成的黄金摘要之间的双语语义相似性度量。我们还介绍了利用单语摘要和机器翻译目标对模型进行预训练的技术。在英汉和英德两种跨语言摘要环境下的实验结果证明了本文方法的有效性。此外，我们发现，以双语语义相似度作为奖励的强化学习模型比强基线生成更流畅的句子。
2020-06-27 cs.CL
NCLS: Neural Cross-Lingual Summarization
University of Chinese Academy of Sciences（中国科学院大学）；CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）
跨语言摘要（CLS）是为不同语言的源文档生成特定语言摘要的任务。现有的方法简单地将此任务分为两个步骤：摘要和翻译，导致错误传播的问题。为了解决这个问题，我们首次提出了一个端到端的CLS框架，我们称之为神经跨语言摘要（NCLS）。此外，我们建议通过将两个相关的任务，单语摘要和机器翻译，在多任务学习的CLS的训练过程中，进一步改善NCLS。由于缺乏有监督的CLS数据，我们提出了一个往返翻译策略，以获得两个高质量的大规模CLS数据集的基础上，现有的单语摘要数据集。实验结果表明，我们的NCLS取得了显着的改善，传统的管道方法在英汉和汉英CLS人类校正的测试集。此外，具有多任务学习的NCLS可以进一步显着提高生成摘要的质量。我们在这里公开我们的数据集和代码：http://www.nlpr.ia.ac.cn/cip/dataset.htm。
2019-08-31 cs.CL
Understanding Translationese in Cross-Lingual Summarization
Fudan University（复旦大学）；Tencent Inc（腾讯公司）；Beijing Jiaotong University（北京交通大学）
本文研究跨语言摘要中翻译腔现象，确认不同数据集构建方法导致不同程度翻译腔，并系统分析其对模型评估和性能的影响，提出未来研究建议。
2023-10-10 cs.AI cs.CL
Lost in Translation? A Comparative Study on the Cross-Lingual Transfer of Composite Harms
本研究通过复合危害基准测试，探讨了跨语言迁移中安全对齐的稳定性，发现攻击成功率在印度语言中显著上升，但上下文性危害迁移较温和，强调翻译基准在多语言安全测试中的必要性。
2026-02-08 cs.AI cs.CL
DynE: Dynamic Ensemble Decoding for Multi-Document Summarization
Aylien Ltd.（Aylien有限公司）；Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）
序列到序列（s2 s）模型是自然语言处理中广泛工作的基础。然而，某些应用，例如多文档摘要、多模态机器翻译和机器翻译的自动后期编辑，需要将多个不同输入的集合映射到单个输出序列中。最近的工作已经为这些多输入设置引入了定制的架构，并开发了可以处理越来越长的输入的模型;然而，特殊模型架构的性能受到可用的域内训练数据的限制。在这项工作中，我们提出了一个简单的解码方法，它集成了不同的输入相同的模型的多个实例的输出。我们提出的方法允许为vanilla s2 s任务训练的模型直接用于多输入设置。当每个输入都与其他输入有显著重叠时，这种方法特别有效，例如将关于同一事件的一组新闻文章压缩成单个连贯摘要时，我们在几个多文档摘要数据集上获得了最先进的结果。
2020-06-15 cs.CL
Whose Voice Survives the Summary? A Voice-Retention Audit of LLM Employee Listening
Technical University of Munich（慕尼黑工业大学）；Massachusetts Institute of Technology（麻省理工学院）；Leuphana University Lüneburg（吕讷堡勒法纳大学）
本研究提出声音保留/代表比率指标，审计LLM摘要员工反馈中的表征偏差，发现批评比赞美更易保留、低频担忧大量丢失，并贡献实地证据与声音保留卡片。
2026-10-01 cs.AI cs.CL cs.CY
Angler: Helping Machine Translation Practitioners Prioritize Model Improvements
University of California, Berkeley（加州大学伯克利分校）；Georgia Institute of Technology（佐治亚理工学院）；Apple（苹果公司）
本文提出交互式可视化分析工具Angler，通过定量统计与定性句子分析帮助机器翻译实践者在无限输入空间和昂贵质量信号条件下更有效地确定模型改进优先级。
2023-04-12 cs.AI cs.CL cs.HC
Agentic AI Translate: An Agentic Translator Prototype for Translation as Communication Design
Rikkyo University（立命馆大学）；Translation Lab Inc（翻译实验室公司）
本文提出了一种代理翻译原型，通过将翻译研究的金属语言转化为生成AI的指令代码，重新定义翻译作为沟通设计的过程，而非文本转换。
2026-05-16 cs.AI cs.CL cs.HC
Doc-Guided Sent2Sent++: A Sent2Sent++ Agent with Doc-Guided memory for Document-level Machine Translation
Huawei Translation Services Center（华为翻译服务中心）
针对现有文档级机器翻译方法易漏句或流畅度不足的问题，提出带文档引导记忆的Doc-Guided Sent2Sent++智能体，采用增量句子级强制解码策略，在多语言多领域测试中多项指标显著优于现有方法。
2025-01-15 cs.AI cs.CL
Efficiently Exploring Large Language Models for Document-Level Machine Translation with In-context Learning
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）
针对 LLM 文档级翻译的不连贯与示例长度受限问题，提出 CAP 方法，通过多层级上下文选择、摘要生成与相似示例检索提升译文连贯性，并在多类 DOCMT 任务中验证有效性。
2024-06-11 cs.CL
Which India Survives Translation? Narrative Homogenisation Across Indian Oral Traditions in LLMs
本研究通过分析Claude Sonnet和Gemini两款LLMs对印度三种不同口头传统的文本生成，发现存在部分叙事同质化，且区域语言提示会降低传统文本保真度，为相关文化误解研究提供了轻量补充方法。
2026-09-01 cs.CL
Can Watermarks Survive Translation? On the Cross-lingual Consistency of Text Watermark for Large Language Models
Shanghai Jiao Tong University（上海交通大学）；Tencent AI Lab（腾讯人工智能实验室）；Tsinghua University（清华大学）
针对文本水印在翻译后失效的问题，提出跨语言水印移除攻击CWRA并设计X-SIR防御方法，揭示了当前水印技术的跨语言不一致性。
2024-06-04 cs.AI cs.CL
Mixed-Lingual Pre-training for Cross-lingual Summarization
Microsoft Cognitive Services Research Group（微软认知服务研究组）
跨语言摘要（CLS）的目的是为源语言的文章生成目标语言的摘要。传统的解决方案采用两步走的方法，即翻译然后总结或总结然后翻译。最近，端到端模型取得了更好的结果，但这些方法大多受到其对大规模标记数据的依赖的限制。我们提出了一种基于混合语言预训练的解决方案，该解决方案利用了跨语言任务（如翻译）和单语言任务（如掩蔽语言模型）。因此，我们的模型可以利用大量的单语数据来增强其语言建模。此外，该架构没有特定于任务的组件，这节省了内存并提高了优化效率。实验结果表明，该预训练方案可以有效地提高跨语言摘要的性能。在神经跨语言摘要（NCLS）数据集中，我们的模型比最先进的结果提高了2.82（英语到中文）和1.15（中文到英语）ROUGE-1分数。
2020-10-18 cs.CL
CAESAR: Context Awareness Enabled Summary-Attentive Reader
Yahoo Inc.（雅虎公司）；Graduate School of Interdisciplinary Information Studies（跨学科信息研究研究生院）；The University of Tokyo（东京大学）
从自然语言中理解含义是自然语言处理（NLP）的主要目标，而文本理解是实现这一目标的基石，在此基础上可以实现聊天机器人、语言翻译等所有其他问题。我们报告了我们设计的一个摘要-注意阅读器，以更好地模拟人类阅读过程，以及一个基于词典的解决方案，关于数据中的词汇表外（OOV）单词，以基于机器理解SQuAD基准中的阅读段落和问题来生成答案。我们使用两种流行的模型（Match LSTM和Dynamic Coattention）实现这些功能，能够接近匹配从人类获得的结果。
2018-03-04 cs.CL
An Introductory Survey on Attention Mechanisms in NLP Problems
Georgia Institute of Technology（佐治亚理工学院）
注意力机制是一种简单的方法，可以用于基于每个元素被分配的重要性得分来对序列数据进行编码，它首先来源于人类直觉，后来适应于机器翻译以进行自动标记对齐，已经被广泛应用于自然语言处理中的各种任务，包括情感分类、文本摘要、问答、依存句法分析、在本文中，我们调查通过最近的工作，并进行了介绍性总结的注意力机制在不同的NLP问题，旨在为我们的读者提供基本知识，这种广泛使用的方法，讨论其不同的变体为不同的任务，探索其与其他技术在机器学习，并检查方法评估其性能。
2018-11-12 cs.CL cs.LG stat.ML
Vision-and-Language Pretraining
本文针对视觉-语言领域的预训练研究展开综述，梳理了预训练方法分类、前沿模型、相关数据集与下游任务，并指出未来研究方向，为该领域发展提供全面参考。
2024-12-11 cs.CL
VoxSumm: A Multilingual Corpus of Long-Form Spoken News for Joint Summarization and Translation
Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Google DeepMind（谷歌DeepMind）；Canada CIFAR AI Chair（加拿大CIFAR人工智能主席项目）
本研究针对长文档摘要与多语言语音翻译的研究缺口，提出联合语音摘要与翻译任务，构建首个多语言跨语言基准VoxSumm，并评估相关模型表现，为多语言语音处理系统提供支撑。
2026-08-12 cs.CL cs.SD
9th Workshop on Sign Language Translation and Avatar Technologies (SLTAT 2025)
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；University of Augsburg（奥格斯堡大学）；Institute for Language and Speech Processing（语言与语音处理研究所）；Athena RC（雅典RC）；DePaul University（德保罗大学）；Université Paris-Saclay（巴黎-萨克雷大学）；University of Hamburg（汉堡大学）
本文介绍了第九届手语翻译与虚拟人技术研讨会（SLTAT 2025），该会议旨在分享通过非侵入性手段改善聋人交流的最新进展，涵盖虚拟人技术、手语识别、数据收集与分析及情感计算等多领域研究。
2025-08-11 cs.CL
Large Scale Multi-Lingual Multi-Modal Summarization Dataset
IISER Kolkata（印度科学教育与研究学院加尔各答分院）；Indian Institute of Technology Patna（印度理工学院巴特那分校）
编码器-解码器模型等技术的重大发展使我们能够表示包括多种模态的信息。这些信息可以进一步增强信息检索和自然语言处理领域的许多下游任务;然而，多模态技术及其性能评估的改进需要提供足够多样性的大规模多模态数据。针对多模态摘要、文本生成和翻译等各种任务的多语言建模利用了从高质量的多语言注释数据中获得的信息。在这项工作中，我们提出了目前最大的多语言多模态摘要数据集（M3 LS），它由超过一百万个文档图像对的实例以及每个对的专业注释的多模态摘要组成。它来源于英国广播公司（BBC）十多年来发表的新闻文章，跨越20种语言，针对五种语言根源的多样性，它也是13种语言的最大摘要数据集，包括2种语言的跨语言摘要数据。我们正式定义了多语言多模态摘要任务，利用我们的数据集和报告基线分数从各种国家的最先进的摘要技术在多语言设置。并将其与许多类似的数据集进行了比较，分析了M3 LS的独特性和难度。
2023-02-13 cs.CL cs.MM
AzSLD: Azerbaijani Sign Language Dataset for Fingerspelling, Word, and Sentence Translation with Baseline Software
Azerbaijan State Oil and Industry University（阿塞拜疆国立石油与工业大学）；French-Azerbaijani University（法国-阿塞拜疆大学）；ADA University（ADA大学）
本研究推出阿塞拜疆手语数据集AzSLD，含3万段多视角、多人群采集的标注视频及配套文档代码，严格遵循伦理规范，为手语识别、翻译等研究提供宝贵数据资源。
2024-11-23 cs.CL
A Survey of Recent Abstract Summarization Techniques
University of Bengkulu（明古鲁大学）
本文综述了几种最近的摘要摘要方法：T5，Pegasus和Pegasus Net。我们用两种语言实现系统：英语和印度尼西亚语。我们研究了预训练模型（一个T5，三个Pegasus，三个Pegasus Nets）对英语和印度尼西亚语的几个维基百科数据集的影响，并将结果与维基百科系统的摘要进行了比较。T5-Large、Pegasus-XSum和Pegasus Net-CNNDM提供了最好的摘要。影响ROUGE性能的最重要因素是覆盖率、密度和压缩。分数越高，总结越好。影响ROUGE分数的其他因素包括预训练目标、数据集的特征、用于测试预训练模型的数据集以及跨语言函数。针对本文的局限性提出了几点改进建议：1）确保用于预训练模型的数据集必须足够大，包含足够的跨语言处理实例; 2）高级过程（微调）必须合理。我们建议在预训练模型的训练阶段实施高级过程（例如从训练-推断-训练过程到zero-shot翻译）之前，使用由多种语言主题的全面覆盖组成的大型数据集。
2021-04-15 cs.CL cs.IR cs.LG
MGhana-ST: A Low-Resource Speech Translation Dataset for Ghanaian Languages and an Analysis of Multilingual Training Trade-offs
Ashesi University（阿什西大学）；AdwumaTech AI；HSE University（高等经济大学）；GIFT International Fintech Institute（GIFT国际金融科技学院）
本文提出MGhana-ST数据集，涵盖四种加纳低资源语言，发现数据稀缺下多语训练无益甚至有害，并揭示单次运行迁移结果不可靠。
2026-10-05 cs.CL
Lost Before Translation: Social Information Transmission and Survival in AI-AI Communication
University of Southern California（南加州大学）
研究探讨了人工智能间信息传递中社会信息的传递与生存机制，揭示了信息在传递过程中出现的收敛、选择性生存和竞争过滤现象，以及其对人类认知和情感多样性的影响。
2026-01-21 cs.CL cs.HC
Correcting FLORES Evaluation Dataset for Four African Languages
University of Pretoria（比勒陀利亚大学）；Council for Scientific and Industrial Research（科学与工业研究理事会）；Imperial College（帝国理工学院）；Northeastern University（东北大学）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）；Lelapa AI（莱拉帕人工智能公司）
针对FLORES评估数据集中四种非洲语言存在的不准确问题，通过母语人士细致审查完成数据集修正并开展统计分析，提升了数据可靠性，为相关NLP任务的有效评估提供支撑。
2024-10-05 cs.CL
Implementing Deep Learning-Based Approaches for Article Summarization in Indian Languages
SCTR's Pune Institute of Computer Technology（SCTR浦那计算机技术学院）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
由于相关数据集的可用性，对低资源印度语言的文本摘要的研究受到限制。本文总结了用于ILSUM 2022印度语摘要数据集的各种深度学习方法。ISUM 2022数据集由分别用印度英语、印地语和古吉拉特语撰写的新闻文章及其真实摘要组成。在我们的工作中，我们探索了不同的预训练seq 2seq模型，并使用ILSUM 2022数据集对这些模型进行了微调。在我们的例子中，微调的SoTA PEGASUS模型对英语效果最好，微调的IndicBART模型对印地语具有增强数据，再次微调的PEGASUS模型以及基于翻译映射的古吉拉特语方法。使用ROUGE-1、ROUGE-2和ROUGE-4作为评价指标来评价我们对所获得的推断的评分。
2022-12-12 cs.CL cs.LG
On-device System of Compositional Multi-tasking in Large Language Models
Samsung R&D Institute UK（三星英国研发中心）；CERTH（希腊CERTH）；Samsung Research（三星研究）
针对大语言模型组合式多任务（摘要与翻译）的端侧部署难题，提出在组合适配器上添加可学习投影层的方法，并通过Android应用验证了其高效性与实用性。
2025-10-11 cs.AI cs.CL cs.LG
