Traduction automatique neuronale multi-domaines par adaptation non supervisée

Nous étudions l'application de la traduction automatique neuronale (TAN) sous les trois conditions suivantes posées par des scénarios d'application dans le monde réel. Premièrement, nous opérons avec un flux d'entrée de phrases provenant de différents domaines et sans ordre prédéfini. Deuxièmement, les phrases sont présentées sans information de domaine. Troisièmement, le flux d'entrée doit être traité par un modèle générique de TAN unique. Pour aborder les faiblesses de la technologie actuelle de TAN dans ce cadre multi-domaines non supervisé, nous explorons une méthode d'adaptation basée sur les instances qui, en exploitant la similarité entre les instances d'entraînement et chaque phrase de test, ajuste dynamiquement les hyperparamètres de l'algorithme d'apprentissage et met à jour le modèle générique à la volée. Les résultats de nos expériences avec des données multi-domaines montrent que l'adaptation locale dépasse non seulement le système de TAN générique d'origine, mais également un système solide basé sur des phrases et même des modèles de TAN à domaine unique spécifiquement optimisés pour chaque domaine et applicables uniquement en violant deux de nos suppositions susmentionnées.