Ein Lehrer-Schüler-Rahmen für Null-Ressourcen-Neuronale Maschinenübersetzung

Während die End-to-End-neuronale Maschinenübersetzung (NMT) kürzlich bemerkenswerte Fortschritte gemacht hat, leidet sie immer noch unter dem Problem der Datenknappheit für ressourcenarme Sprachpaare und -domänen. In diesem Papier schlagen wir eine Methode für die Null-Ressourcen-NMT vor, indem wir annehmen, dass parallele Sätze ähnliche Wahrscheinlichkeiten haben, einen Satz in einer dritten Sprache zu erzeugen. Basierend auf dieser Annahme ist unsere Methode in der Lage, ein Quelle-zu-Ziel-NMT-Modell ("Schüler") ohne verfügbare parallele Korpora zu trainieren, geleitet von einem bestehenden Pivot-zu-Ziel-NMT-Modell ("Lehrer") auf einem Quelle-Pivot-parallelen Korpus. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zu einem Baseline-pivotbasierten Modell um +3.0 BLEU-Punkte über verschiedene Sprachpaare hinweg signifikant verbessert.