File size: 130,368 Bytes
6fa4bc9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500 2501 2502 2503 2504 2505 2506 2507 2508 2509 2510 2511 2512 2513 2514 2515 2516 2517 2518 2519 2520 2521 2522 2523 2524 2525 2526 2527 2528 2529 2530 2531 2532 2533 2534 2535 2536 2537 2538 2539 2540 2541 2542 2543 | {
"paper_id": "F13-1033",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:42:04.547298Z"
},
"title": "Un cadre d'apprentissage int\u00e9gralement discriminant pour la traduction statistique",
"authors": [
{
"first": "Thomas",
"middle": [],
"last": "Lavergne",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "Universit\u00e9 Paris Sud 91",
"location": {}
},
"email": "lavergne@limsi.fr"
},
{
"first": "Alexandre",
"middle": [],
"last": "Allauzen",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "Universit\u00e9 Paris Sud 91",
"location": {}
},
"email": "allauzen@limsi.fr"
},
{
"first": "Fran\u00e7ois",
"middle": [],
"last": "Yvon",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "Universit\u00e9 Paris Sud 91",
"location": {}
},
"email": "yvon@limsi.fr"
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "Une faiblesse des syst\u00e8mes de traduction statistiques est le caract\u00e8re ad hoc du processus d'apprentissage, qui repose sur un empilement d'heuristiques et conduit \u00e0 apprendre des param\u00e8tres dont la valeur est sous-optimale. Dans ce travail, nous reformulons la traduction automatique sous la forme famili\u00e8re de l'apprentissage d'un mod\u00e8le probabiliste structur\u00e9 utilisant une param\u00e9trisation log-lin\u00e9aire. Cette entreprise est rendue possible par le d\u00e9veloppement d'une implantation efficace qui permet en particulier de prendre en compte la pr\u00e9sence de variables latentes dans le mod\u00e8le. Notre approche est compar\u00e9e, avec succ\u00e8s, avec une approche de l'\u00e9tat de l'art sur la t\u00e2che de traduction de donn\u00e9es du BTEC pour le couple Fran\u00e7ais-Anglais.",
"pdf_parse": {
"paper_id": "F13-1033",
"_pdf_hash": "",
"abstract": [
{
"text": "Une faiblesse des syst\u00e8mes de traduction statistiques est le caract\u00e8re ad hoc du processus d'apprentissage, qui repose sur un empilement d'heuristiques et conduit \u00e0 apprendre des param\u00e8tres dont la valeur est sous-optimale. Dans ce travail, nous reformulons la traduction automatique sous la forme famili\u00e8re de l'apprentissage d'un mod\u00e8le probabiliste structur\u00e9 utilisant une param\u00e9trisation log-lin\u00e9aire. Cette entreprise est rendue possible par le d\u00e9veloppement d'une implantation efficace qui permet en particulier de prendre en compte la pr\u00e9sence de variables latentes dans le mod\u00e8le. Notre approche est compar\u00e9e, avec succ\u00e8s, avec une approche de l'\u00e9tat de l'art sur la t\u00e2che de traduction de donn\u00e9es du BTEC pour le couple Fran\u00e7ais-Anglais.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "L'objectif d'un syst\u00e8me de traduction statistique (STS) consiste \u00e0 calculer, pour toute phrase en langue source s, la traduction t * qui lui est la plus probablement associ\u00e9e. Ce r\u00e9sultat est typiquement obtenu en maximisant une fonction de score \u03a6 \u03b8 (s, t), param\u00e9tris\u00e9e par le vecteur \u03b8 , sur l'ensemble de toutes les traductions possibles de s. Un choix raisonnable pour \u03a6 est la probabilit\u00e9 conditionnelle de t sachant s p \u03b8 (t | s).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "\u00c9tant donn\u00e9e la taille des espaces d'entr\u00e9e et de sortie sur lesquels de tels mod\u00e8les probabilistes TALN-R\u00c9CITAL 2013, 17-21 Juin, Les Sables d'Olonne doivent \u00eatre d\u00e9finis, un mod\u00e8le pour t sachant s doit \u00eatre d\u00e9compos\u00e9 en mod\u00e9lisant la traduction par une s\u00e9quence d'\u00e9tapes de d\u00e9rivation. Dans les syst\u00e8mes \u00e0 base de segments (phrase-based systems) (Zens et al., 2002; Koehn et al., 2003) , qui seront consid\u00e9r\u00e9s dans cette \u00e9tude, ces \u00e9tapes de d\u00e9rivation correspondent \u00e0 des d\u00e9cisions qui portent (a) sur la d\u00e9limitation des unit\u00e9s de traduction en langue source, (b) sur le choix d'un \u00e9quivalent de traduction pour chaque unit\u00e9 d\u00e9finie en (a) ; enfin sur l'ordre relatif dans lequel sont r\u00e9arrang\u00e9es (on dira r\u00e9ordonn\u00e9es) les unit\u00e9s cibles s\u00e9lectionn\u00e9es en (b). Dans la mesure o\u00f9 l'apprentissage se fonde uniquement sur l'observation des paires (s, t), ces d\u00e9rivations ne sont pas observ\u00e9es pendant l'apprentissage et doivent \u00eatre incorpor\u00e9es sous la forme de variables latentes.",
"cite_spans": [
{
"start": 100,
"end": 124,
"text": "TALN-R\u00c9CITAL 2013, 17-21",
"ref_id": null
},
{
"start": 349,
"end": 368,
"text": "(Zens et al., 2002;",
"ref_id": "BIBREF38"
},
{
"start": 369,
"end": 388,
"text": "Koehn et al., 2003)",
"ref_id": "BIBREF16"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Chacune de ces \u00e9tapes de d\u00e9rivation doit \u00eatre mod\u00e9lis\u00e9e et associ\u00e9e \u00e0 un param\u00e8tre num\u00e9rique, qui est r\u00e9gl\u00e9 de fa\u00e7on \u00e0 ce que le syst\u00e8me r\u00e9sultant engendre les meilleures traductions possibles. Ainsi, dans les syst\u00e8mes \u00e0 base de segments, chaque unit\u00e9 de traduction source est nantie d'un ensemble de param\u00e8tres qui valuent les diff\u00e9rentes alternatives de traduction et de r\u00e9ordonnancement pour ce segment.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Dans la plupart des syst\u00e8mes de traduction (voir (Koehn, 2010) pour un \u00e9tat de l'art r\u00e9cent, ou, en fran\u00e7ais ), l'apprentissage de ces param\u00e8tres s'effectue en deux temps : (i) en premier lieu, plusieurs mod\u00e8les probabilistes sont estim\u00e9s de mani\u00e8re ind\u00e9pendante, en utilisant de tr\u00e8s gros corpus monolingues ou bilingues parall\u00e8les. Une \u00e9tape suppl\u00e9mentaire (ii) d'apprentissage (souvent d\u00e9sign\u00e9e sous le nom de tuning) est ensuite n\u00e9cessaire pour \u00e9quilibrer la contribution de chacun de ces mod\u00e8les \u00e0 la fonction de score. Cette seconde \u00e9tape, r\u00e9alis\u00e9e sur des corpus de d\u00e9veloppement de taille r\u00e9duite, conduit au calcul de param\u00e8tres globaux (un pour chaque mod\u00e8le estim\u00e9 en (i)), qui sont r\u00e9gl\u00e9s de mani\u00e8re discriminante, c'est-\u00e0-dire en cherchant \u00e0 maximiser explicitement une mesure de qualit\u00e9 de la traduction, sous l'hypoth\u00e8se que les scores se combinent lin\u00e9airement. Ceci implique, par exemple, que le param\u00e8tre \u03b8 (s,t) qui \u00e9value la plausibilit\u00e9 que le segment 1 source s se traduise t est calcul\u00e9 comme le produit d'un poids global, r\u00e9gl\u00e9 de mani\u00e8re discriminante sur un ensemble de d\u00e9veloppement, avec un score local, calcul\u00e9 de mani\u00e8re heuristique sur de larges corpus. Comme soulign\u00e9 dans de nombreuses \u00e9tudes, ce processus \u00e0 deux \u00e9tages conduit \u00e0 des param\u00e8tres sous-optimaux ; pour obtenir des r\u00e9sultats stables, il est \u00e9galement n\u00e9cessaire de limiter le nombre de mod\u00e8les combin\u00e9s en (ii) \u00e0 quelques dizaines d'unit\u00e9s (voir cependant (Liang et al., 2006; Chiang et al., 2009; Blunsom et al., 2008; Simianer et al., 2012) pour des tentatives de contourner cette limitation).",
"cite_spans": [
{
"start": 49,
"end": 62,
"text": "(Koehn, 2010)",
"ref_id": "BIBREF14"
},
{
"start": 1453,
"end": 1473,
"text": "(Liang et al., 2006;",
"ref_id": "BIBREF21"
},
{
"start": 1474,
"end": 1494,
"text": "Chiang et al., 2009;",
"ref_id": "BIBREF6"
},
{
"start": 1495,
"end": 1516,
"text": "Blunsom et al., 2008;",
"ref_id": "BIBREF2"
},
{
"start": 1517,
"end": 1539,
"text": "Simianer et al., 2012)",
"ref_id": "BIBREF29"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Dans ce travail, \u00e0 la suite de (Liang et al., 2006; Blunsom et al., 2008; Dyer et Resnik, 2010) , nous explorons une approche alternative, dans laquelle tous les param\u00e8tres du mod\u00e8le sont appris simultan\u00e9ment (plut\u00f4t qu'ind\u00e9pendamment) et de mani\u00e8re discriminante (plut\u00f4t qu'heuristique) ; cet apprentissage est r\u00e9alis\u00e9 en optimisant une fonction objectif bien connue sur l'int\u00e9gralit\u00e9 des donn\u00e9es d'entra\u00eenement (plut\u00f4t qu'un petit ensemble de d\u00e9veloppement). Notre architecture permet de se dispenser presqu'enti\u00e8rement du besoin d'estimer des mod\u00e8les s\u00e9par\u00e9s puis de r\u00e9gler les param\u00e8tres pour les recombiner : ces deux \u00e9tapes sont ici r\u00e9alis\u00e9es simultan\u00e9ment.",
"cite_spans": [
{
"start": 31,
"end": 51,
"text": "(Liang et al., 2006;",
"ref_id": "BIBREF21"
},
{
"start": 52,
"end": 73,
"text": "Blunsom et al., 2008;",
"ref_id": "BIBREF2"
},
{
"start": 74,
"end": 95,
"text": "Dyer et Resnik, 2010)",
"ref_id": "BIBREF11"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Dans cette approche, l'apprentissage ne demande que (a) un corpus parall\u00e8le, (b) un inventaire des unit\u00e9s de traductions et (c) un m\u00e9canisme pour produire des hypoth\u00e8ses de r\u00e9ordonnancement. Il est important de noter que (b) peut \u00eatre obtenu de plusieurs mani\u00e8res, par exemple en fouillant des corpus comparables, et/ou en exploitant des dictionnaires et des terminologies bilingues. De m\u00eame, plusieurs options existent pour (c), comme d'utiliser des mod\u00e8les de r\u00e9ordonnancement simples tels que IBM-n (Tillmann et Ney, 2003) et WJ-n (Kumar et Byrne, 2005) ou encore d'apprendre les r\u00e8gles de r\u00e9ordonnancement, comme nous le ferons ici. L'implantation d'un cadre discriminant int\u00e9gr\u00e9 pour la traduction statistique implique toutefois de r\u00e9soudre plusieurs probl\u00e8mes pratiques et th\u00e9oriques li\u00e9s \u00e0 la pr\u00e9sence de variables latentes dans le mod\u00e8le et \u00e0 l'impossibilit\u00e9 de disposer de donn\u00e9es de supervision pour certaines paires de phrases lorsque la traduction de r\u00e9f\u00e9rence ne peut \u00eatre produite par le mod\u00e8le (on dit alors que la r\u00e9f\u00e9rence est non atteignable). Ces probl\u00e8mes sont r\u00e9solus respectivement en sommant (marginalisant) sur toutes les d\u00e9rivations possibles et en recourant \u00e0 des traductions oracles.",
"cite_spans": [
{
"start": 502,
"end": 525,
"text": "(Tillmann et Ney, 2003)",
"ref_id": "BIBREF35"
},
{
"start": 534,
"end": 556,
"text": "(Kumar et Byrne, 2005)",
"ref_id": "BIBREF17"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Les contributions de ce travail, qui d\u00e9veloppe et \u00e9tend la proposition pr\u00e9sent\u00e9e dans (Lavergne et al., 2011) en s'affranchissant du besoin de disposer d'alignements de r\u00e9f\u00e9rence, sont multiples : la conception d'un mod\u00e8le int\u00e9gr\u00e9 pour la traduction automatique, qui rend possible l'utilisation d'un grand nombre de traits linguistiques ; une impl\u00e9mentation modulaire qui, en s'appuyant sur le formalisme des transducteurs finis pond\u00e9r\u00e9s (WFST), b\u00e9n\u00e9ficie d'algorithmes efficaces aussi bien pour l'apprentissage que pour l'inf\u00e9rence ; et l'\u00e9tude de plusieurs mani\u00e8res de traiter le probl\u00e8me des r\u00e9f\u00e9rences non atteignables. Notre contribution est aussi exp\u00e9rimentale, puisque nous montrons que le syst\u00e8me ainsi construit s'av\u00e8re capable de surpasser un syst\u00e8me tr\u00e8s performant sur une t\u00e2che de complexit\u00e9 moyenne.",
"cite_spans": [
{
"start": 86,
"end": 109,
"text": "(Lavergne et al., 2011)",
"ref_id": "BIBREF20"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Le reste de cet article est organis\u00e9 comme suit. Nous commen\u00e7ons par clarifier, \u00e0 la section 2, les concepts n\u00e9cessaires \u00e0 la formulation de notre cadre discriminant et comparons notre approche avec d'autres implantations de l'apprentissage discriminant en traduction automatique. Nous introduisons ensuite plus pr\u00e9cis\u00e9ment (section 3), notre mod\u00e8le de traduction et discutons plusieurs d\u00e9tails d'implantation. Les sections ult\u00e9rieures sont consacr\u00e9es respectivement \u00e0 deux aspects pratiques : le probl\u00e8me des r\u00e9f\u00e9rences non atteignables (Section 4), puis la conception d'un ensemble performant de descripteurs (section 5). Nous d\u00e9crivons \u00e0 la section 6 les principaux r\u00e9sultats exp\u00e9rimentaux obtenus sur la t\u00e2che de traduction fran\u00e7ais-anglais utilisant les donn\u00e9es du corpus BTEC. Les sections conclusives permettent finalement de positionner notre travail par rapport \u00e0 l'\u00e9tat de l'art (section 7), puis de pr\u00e9senter bri\u00e8vement diverses extensions de cette approche.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Comme expliqu\u00e9 supra, les STS mod\u00e9lisent le processus de g\u00e9n\u00e9ration d'une traduction sous la forme d'une successions d'\u00e9tapes de d\u00e9rivation. Ainsi, dans l'approche \u00e0 base de n-gramme (Mari\u00f1o et al., 2006; Crego et Mari\u00f1o, 2007) , sur laquelle nous nous appuyons principalement dans cet article, les traductions sont engendr\u00e9es de la mani\u00e8re suivante 2 :",
"cite_spans": [
{
"start": 183,
"end": 204,
"text": "(Mari\u00f1o et al., 2006;",
"ref_id": "BIBREF22"
},
{
"start": 205,
"end": 227,
"text": "Crego et Mari\u00f1o, 2007)",
"ref_id": "BIBREF7"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "1. la phrase source est r\u00e9ordonn\u00e9e de mani\u00e8re non-d\u00e9terministe et transform\u00e9e en un graphe de r\u00e9ordonnancement ;",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "2. ce graphe est ensuite \u00e9tendu en consid\u00e9rant toutes les d\u00e9compositions possibles de la phrase source en segments ;",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "2. Les d\u00e9rivations des syst\u00e8mes \u00e0 base de segment telles que formul\u00e9es dans (Koehn et al., 2007) 3. un mod\u00e8le de traduction est alors appliqu\u00e9 sur cette entr\u00e9e \u00e9tendue, de mani\u00e8re \u00e0 g\u00e9n\u00e9rer le graphe de recherche de toutes les traductions possibles ;",
"cite_spans": [
{
"start": 76,
"end": 96,
"text": "(Koehn et al., 2007)",
"ref_id": "BIBREF15"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "4. ce graphe est finalement parcouru pour rechercher la traduction de meilleur score.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "Chaque hypoth\u00e8se de traduction t d'une phrase source s est ainsi associ\u00e9e \u00e0 une ou plusieurs d\u00e9rivations latentes a, o\u00f9 a repr\u00e9sente toutes les variables qui sont impliqu\u00e9es dans les \u00e9tapes de d\u00e9rivation (1-3). Chaque triplet (s, a, t) est repr\u00e9sent\u00e9 comme un vecteur de caract\u00e9ristiques G et son score est calcul\u00e9 par le produit scalaire (\u03b8 est le vecteur de param\u00e8tres) :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "\u03a6(s, a, t) = \u03b8 T G(s, a, t)",
"eq_num": "(1)"
}
],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "Il est ais\u00e9 de transformer ces scores en probabilit\u00e9s en d\u00e9finissant p \u03b8 (t, a | s) comme suit :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "p \u03b8 (t, a | s) = exp \u03b8 G(t, a, s) a \u2208 (s) t \u2208 (a ,s) exp \u03b8 G(t , a , s) ,",
"eq_num": "(2)"
}
],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "o\u00f9 (s) est l'ensemble de toutes les assignations possibles des variables latentes et o\u00f9 (a, s) repr\u00e9sente l'ensemble de toutes les traductions possibles de s sachant une assignation particuli\u00e8re de a. La probabilit\u00e9 conditionnelle de t sachant s s'en d\u00e9duit par sommation selon :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "p \u03b8 (t | s) = a\u2208 (s) p \u03b8 (t, a | s)",
"eq_num": "(3)"
}
],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "La r\u00e8gle d'inf\u00e9rence optimale consiste \u00e0 choisir la meilleure traduction t * pour s selon :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "t * = arg max t p \u03b8 (t | s) = arg max t a\u2208 (s) p \u03b8 (t, a | s),",
"eq_num": "(4)"
}
],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "La somme (4) devant \u00eatre r\u00e9alis\u00e9e pour chaque traduction possible t, il s'av\u00e8re toutefois que l'inf\u00e9rence ainsi d\u00e9finie donne lieu \u00e0 un probl\u00e8me combinatoire NP-difficile. C'est pourquoi la plupart des syst\u00e8mes de traduction se contentent d'utiliser une approximation, dite de Viterbi, qui correspond \u00e0 l'utilisation de la r\u00e8gle d'inf\u00e9rence plus simple suivante :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "t * = h \u03b8 (s) = arg max t,a p \u03b8 (t, a | s),",
"eq_num": "(5)"
}
],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "On notera que cette r\u00e8gle permet \u00e9galement de recouvrer la d\u00e9rivation latente optimale a * .",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant en traduction statistique 2.1 Inf\u00e9rence",
"sec_num": "2"
},
{
"text": "Le mod\u00e8le introduit ci-dessus est suffisamment g\u00e9n\u00e9ral pour rendre compte de la plupart des syst\u00e8mes \u00e0 base de segments et peut \u00eatre instanci\u00e9 de multiples mani\u00e8res. Comme mentionn\u00e9 plus haut, l'architecture la plus utilis\u00e9e (Koehn, 2010) s'appuie sur plusieurs couches de mod\u00e9lisation statistique. La premi\u00e8re couche correspond \u00e0 l'estimation, sur des corpus monolingues et/ou parall\u00e8les, d'un ensemble de mod\u00e8les probabilistes, les plus importants \u00e9tant le mod\u00e8le de langue, le mod\u00e8le de traduction et le mod\u00e8le de r\u00e9ordonnancement, qui sont usuellement estim\u00e9s au maximum de vraisemblance 3 . Chaque mod\u00e8le ainsi calcul\u00e9 correspond \u00e0 une composante du vecteur G introduit en (1) : G k (t, a, s) est le score, pour le k \u00e8me mod\u00e8le, de la d\u00e9rivation a qui produit t \u00e0 partir de s.",
"cite_spans": [
{
"start": 225,
"end": 238,
"text": "(Koehn, 2010)",
"ref_id": "BIBREF14"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant (version standard)",
"sec_num": "2.2"
},
{
"text": "Le seconde couche d'apprentissage est effectu\u00e9e de mani\u00e8re discriminante : son implantation la plus utilis\u00e9e, Minimum Error Rate Training (MERT) (Och, 2003) , consiste \u00e0 r\u00e9soudre le probl\u00e8me d'optimisation suivant : \u00e9tant donn\u00e9 un ensemble de couples entr\u00e9e/sortie {(s n , t n ), n = 1 . . . N }, trouver les param\u00e8tres optimaux satisfaisant :",
"cite_spans": [
{
"start": 145,
"end": 156,
"text": "(Och, 2003)",
"ref_id": "BIBREF23"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant (version standard)",
"sec_num": "2.2"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "\u03b8 * = arg max BLEU {(s n , h \u03b8 (s n ), t n ), n = 1 . . . N } ,",
"eq_num": "(6)"
}
],
"section": "Apprentissage discriminant (version standard)",
"sec_num": "2.2"
},
{
"text": "o\u00f9 BLEU (Papineni et al., 2002) est une mesure automatique de la qualit\u00e9 de traduction. La r\u00e9solution de ce probl\u00e8me n'est en pratique faisable que lorsque \u03b8 est de dimension r\u00e9duite. On retiendra \u00e9galement que sa r\u00e9solution requiert d'identifier une d\u00e9rivation optimale, par exemple celle qui conduit au meilleur score BLEU parmi une liste de n meilleurs candidats.",
"cite_spans": [
{
"start": 8,
"end": 31,
"text": "(Papineni et al., 2002)",
"ref_id": "BIBREF24"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant (version standard)",
"sec_num": "2.2"
},
{
"text": "Dans cette section, nous proposons une autre instanciation du cadre d'apprentissage d\u00e9crit ci-dessus, dans lequel l'estimation de tous les param\u00e8tres du mod\u00e8le est r\u00e9alis\u00e9e de mani\u00e8re int\u00e9gr\u00e9e et discriminante, ce qui constitue une diff\u00e9rence fondamentale avec la plupart des autres approches discriminantes en traduction statistique (voir \u00e9galement la discussion de la section 7). Comme on le verra, notre mod\u00e8le s'inspire largement du mod\u00e8le des champs al\u00e9atoires conditionnels (CRF, voir (Lafferty et al., 2001 )) qu'il \u00e9tend de plusieurs mani\u00e8res.",
"cite_spans": [
{
"start": 491,
"end": 513,
"text": "(Lafferty et al., 2001",
"ref_id": "BIBREF19"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage discriminant (version int\u00e9gr\u00e9e)",
"sec_num": "3"
},
{
"text": "L'apprentissage est r\u00e9alis\u00e9 en maximisant la (log) vraisemblance conditionnelle d\u00e9finie par :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "(\u03b8 ) = n \uf8ee \uf8ef \uf8ef \uf8f0 log a\u2208 (s n ) exp \u03b8 G(t n , a, s n ) \u2212 log a\u2208 (s n ) t\u2208 (a,s n ) exp \u03b8 G(t, a, s n ) \uf8f9 \uf8fa \uf8fa \uf8fb",
"eq_num": "(7)"
}
],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "Comme expliqu\u00e9 ci-dessus, nous ne consid\u00e9rons que des d\u00e9rivations a qui sont rationnelles et correspondent \u00e0 la s\u00e9rie d'\u00e9tapes (1-3) introduites \u00e0 la section 2.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "L'introduction de variables latentes fait que la fonction objectif (7) n'est pas convexe, contrairement au cas des CRF standard (Sutton et McCallum, 2006) . En pratique, son optimisation reste possible, et, si elle ne conduit qu'\u00e0 des optimums locaux, les r\u00e9sultats obtenus ne semblent pas trop d\u00e9pendants des conditions initiales. Comme d\u00e9taill\u00e9 \u00e0 la section 3.3, l'optimisation repose sur un algorithme de descente de gradient qui demande de calculer le gradient suivant :",
"cite_spans": [
{
"start": 128,
"end": 154,
"text": "(Sutton et McCallum, 2006)",
"ref_id": "BIBREF31"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "\u2202 (\u03b8 ) \u2202 \u03b8 k = n \uf8ee \uf8ef \uf8ef \uf8f0 a\u2208 (s n ) G k (t n , a, s n ) \u2212 a\u2208 (s n ) t\u2208 (a,s n ) \u03b8 k G k (t, a, s n )p \u03b8 (t, a | s n ), \uf8f9 \uf8fa \uf8fa \uf8fb (8)",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "Dans cette \u00e9quation, les deux termes repr\u00e9sentent respectivement l'esp\u00e9rance empirique et l'esp\u00e9rance pour le mod\u00e8le calcul\u00e9es sur l'ensemble des donn\u00e9es d'apprentissage.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "En th\u00e9orie, dans cette approche, les composants de G peuvent tester des propri\u00e9t\u00e9s arbitraires du triplet (t n , a, s n ) ; en pratique, toutefois, le choix des caract\u00e9ristiques a un impact sur la complexit\u00e9 computationnelle des algorithmes d'inf\u00e9rence et d'apprentissage. Dans cette \u00e9tude, nous nous limitons \u00e0 des caract\u00e9ristiques de port\u00e9e locale, reproduisant les d\u00e9pendances locales qui sont mod\u00e9lis\u00e9es dans un CRF lin\u00e9aire standard (Lafferty et al., 2001) : la port\u00e9e d'une caract\u00e9ristique ne peut exc\u00e9der un bigramme de segments cibles. Cette restriction permet de calculer efficacement les deux termes de l'\u00e9quation (8) en utilisant une variante de l'algorithme forward-backward (voir, par exemple, (Dreyer et al., 2008) pour une pr\u00e9sentation d\u00e9taill\u00e9e de l'apprentissage de mod\u00e8les globalement normalis\u00e9s avec des variables latentes).",
"cite_spans": [
{
"start": 438,
"end": 461,
"text": "(Lafferty et al., 2001)",
"ref_id": "BIBREF19"
},
{
"start": 707,
"end": 728,
"text": "(Dreyer et al., 2008)",
"ref_id": "BIBREF10"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "La fonction objectif est usuellement augment\u00e9e d'un terme de r\u00e9gularisation pour limiter les probl\u00e8mes de sur-apprentissage. Dans cette \u00e9tude, nous utilisons une r\u00e9gularisation 1 (Tibshirani, 1996) , qui permet d'aboutir \u00e0 des ensembles de param\u00e8tres \u00ab creux \u00bb et donc implicitement de s\u00e9lectionner les caract\u00e9ristiques les plus importantes.",
"cite_spans": [
{
"start": 179,
"end": 197,
"text": "(Tibshirani, 1996)",
"ref_id": "BIBREF33"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage du mod\u00e8le",
"sec_num": "3.1"
},
{
"text": "L'inf\u00e9rence est d\u00e9finie par l'\u00e9quation (4), qui exige en principe de sommer sur toutes les variables latentes pour calculer l'hypoth\u00e8se de traduction optimale. Cette t\u00e2che correspond \u00e0 un probl\u00e8me NP-difficile ; en pratique, il est possible de l'approximer de mani\u00e8re efficace en \u00e9laguant et d\u00e9terminisant l'espace de recherche, comme expliqu\u00e9 section 3.3.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Inf\u00e9rence",
"sec_num": "3.2"
},
{
"text": "Il est important de noter que les d\u00e9pendances qui sont mod\u00e9lis\u00e9es se limitent \u00e0 des bigrammes de segments cibles qui ne fournissent qu'une tr\u00e8s mauvaise approximation des contraintes syntaxiques \u00e0 respecter en langue cible. Pour compenser cette faiblesse, nous utilisons durant l'inf\u00e9rence un mod\u00e8le de langue n-gramme d'un ordre sup\u00e9rieur \u00e0 deux, ce qui permet d'am\u00e9liorer sensiblement les performances du seul mod\u00e8le CRF.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Inf\u00e9rence",
"sec_num": "3.2"
},
{
"text": "Transducteurs finis Toutes les op\u00e9rations n\u00e9cessaires pour r\u00e9aliser l'apprentissage et l'inf\u00e9rence sont implant\u00e9es comme des op\u00e9rations standard sur des transducteurs pond\u00e9r\u00e9s. Pour l'essentiel, nous nous reposons sur les fonctionnalit\u00e9s g\u00e9n\u00e9riques de la biblioth\u00e8que OpenFst (Allauzen et al., 2007) ; pour des raisons d'efficacit\u00e9, nous avons toutefois r\u00e9implant\u00e9 une version optimis\u00e9e de l'algorithme forward-backward et des interactions avec le mod\u00e8le de traduction.",
"cite_spans": [
{
"start": 276,
"end": 299,
"text": "(Allauzen et al., 2007)",
"ref_id": "BIBREF1"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9tails d'implantation",
"sec_num": "3.3"
},
{
"text": "Pour l'essentiel, notre d\u00e9codeur est donc implant\u00e9 comme une cascade de transducteurs finis, impliquant les \u00e9tapes suivantes : (i) r\u00e9ordonnancement et segmentation de la phrase source ;",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9tails d'implantation",
"sec_num": "3.3"
},
{
"text": "(ii) application du mod\u00e8le de traduction et (optionnellement) (iii) composition avec un mod\u00e8le de langue cible, une architecture tr\u00e8s similaire \u00e0 celle propos\u00e9e par (Kumar et al., 2006) . Plus pr\u00e9cis\u00e9ment, \u00e9tant donn\u00e9s un mod\u00e8le de r\u00e9ordonnancement et un inventaire d'unit\u00e9s, nous d\u00e9rivons les transducteurs suivants : -I, un accepteur pour la phrase source s ; -R, qui impl\u00e9mente les r\u00e8gles de r\u00e9ordonnancement ; -C, qui regroupe des s\u00e9quences de mots sources en segments de taille variable ; -T , qui r\u00e9alise l'association entre segments sources et toutes leurs traductions possibles. Si l'on note \u2022 l'op\u00e9ration de composition entre transducteurs, alors S = I \u2022 R \u2022 C \u2022 T d\u00e9finit l'espace de recherche qui est utilis\u00e9 pour l'apprentissage et pour l'inf\u00e9rence.",
"cite_spans": [
{
"start": 165,
"end": 185,
"text": "(Kumar et al., 2006)",
"ref_id": "BIBREF18"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9tails d'implantation",
"sec_num": "3.3"
},
{
"text": "Apprentissage du mod\u00e8le L'optimisation de la log-vraisemblance (\u00e9quation (7)) est effectu\u00e9e en utilisant l'algorithme R-Prop (Riedmiller et Braun, 1993) qui impl\u00e9mente une strat\u00e9gie de descente de gradient adapt\u00e9e \u00e0 l'optimisation des mod\u00e8les log-lin\u00e9aires \u00e0 grande \u00e9chelle. Cet algorithme demande de calculer les esp\u00e9rances d\u00e9finies par l'\u00e9quation (8). Le premier terme est obtenu en collectant les statistiques pour les caract\u00e9ristiques actives dans le transducteur d\u00e9fini par S \u2022 O, o\u00f9 O est l'accepteur repr\u00e9sentant la traduction de r\u00e9f\u00e9rence. La seconde esp\u00e9rance demande de collecter ces m\u00eames statistiques sur l'int\u00e9gralit\u00e9 de l'espace de recherche S, de nouveau par application de l'algorithme forward-backward.",
"cite_spans": [
{
"start": 125,
"end": 152,
"text": "(Riedmiller et Braun, 1993)",
"ref_id": "BIBREF27"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9tails d'implantation",
"sec_num": "3.3"
},
{
"text": "Inf\u00e9rence des traductions Dans notre implantation, l'inf\u00e9rence est r\u00e9alis\u00e9e en quatre temps :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9tails d'implantation",
"sec_num": "3.3"
},
{
"text": "S est tout d'abord reparcouru pour calculer la probabilit\u00e9 a posteriori de chaque arc ; nous d\u00e9terminisons ensuite le transducteur ainsi repond\u00e9r\u00e9, ce qui a pour effet de r\u00e9aliser la somme impliqu\u00e9e par l'\u00e9quation (4) ; le score du mod\u00e8le de langue est ensuite ajout\u00e9 simplement par une op\u00e9ration de composition pond\u00e9r\u00e9e (le poids du mod\u00e8le de langue est obtenu par une recherche sur un corpus de d\u00e9veloppement) ; finalement, le meilleur chemin dans le transducteur est extrait. Dans la mesure o\u00f9 l'op\u00e9ration de d\u00e9terminisation est la plus exigeante en temps, nous la r\u00e9alisons de mani\u00e8re approch\u00e9e en ne consid\u00e9rant \u00e0 ce stade que les n-meilleures hypoth\u00e8ses de l'espace de recherche. La somme (4) est donc seulement calcul\u00e9e sur ces n meilleures hypoth\u00e8ses, ce qui ne semble pas trop limitant en pratique.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "D\u00e9tails d'implantation",
"sec_num": "3.3"
},
{
"text": "Un probl\u00e8me sp\u00e9cifique qui se pose dans le cadre de l'apprentissage discriminant pour la traduction est celui de la non atteignabilit\u00e9 des r\u00e9f\u00e9rences, correspondant aux situations o\u00f9 la traduction de r\u00e9f\u00e9rence ne peut pas \u00eatre d\u00e9riv\u00e9e dans le mod\u00e8le (Liang et al., 2006) . Cela arrive, par exemple, quand on utilise un inventaire d'unit\u00e9s bilingues trop restreint, ou que l'on consid\u00e8re des r\u00e9ordonnancements trop limit\u00e9s. Il est alors possible qu'une traduction de r\u00e9f\u00e9rence contienne une traduction inconnue d'un mot source connu, ou bien des d\u00e9placements de groupes qui vont au-del\u00e0 de ceux qu'explore le d\u00e9codeur. Un rem\u00e8de radical consiste alors \u00e0 supprimer ces cas probl\u00e9matiques du corpus d'apprentissage (Blunsom et al., 2008; Dyer et Resnik, 2010 ) -conduisant ainsi \u00e0 abandonner de nombreux exemples potentiellement utiles.",
"cite_spans": [
{
"start": 250,
"end": 270,
"text": "(Liang et al., 2006)",
"ref_id": "BIBREF21"
},
{
"start": 712,
"end": 734,
"text": "(Blunsom et al., 2008;",
"ref_id": "BIBREF2"
},
{
"start": 735,
"end": 755,
"text": "Dyer et Resnik, 2010",
"ref_id": "BIBREF11"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Les r\u00e9f\u00e9rences non atteignables",
"sec_num": "4"
},
{
"text": "Une autre solution simple, utilis\u00e9e dans plusieurs \u00e9tudes, consiste \u00e0 utiliser des pseudo-r\u00e9f\u00e9rences oracles, qui sont les meilleures hypoth\u00e8ses (au sens de la m\u00e9trique d'\u00e9valuation) r\u00e9ellement pr\u00e9sentes dans l'espace de recherche. Comme le soulignent les auteurs de (Liang et al., 2006) , une bonne traduction (au sens de la m\u00e9trique) peut toutefois s'appuyer localement sur des \u00e9tapes de d\u00e9rivation qui ont une tr\u00e8s faible probabilit\u00e9, et ne devraient pas \u00eatre utilis\u00e9es comme exemple. Cette observation sugg\u00e8re des strat\u00e9gies plus prudentes, selon lesquelles l'oracle est choisi parmi les n hypoth\u00e8ses les plus probables (au sens du mod\u00e8le). Des strat\u00e9gies hybrides sont \u00e9galement envisageables, selon lesquelles les oracles sont choisis parmi les hypoth\u00e8ses qui sont \u00e0 la fois proches de la r\u00e9f\u00e9rence et bien \u00e9valu\u00e9es par le mod\u00e8le.",
"cite_spans": [
{
"start": 267,
"end": 287,
"text": "(Liang et al., 2006)",
"ref_id": "BIBREF21"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Les r\u00e9f\u00e9rences non atteignables",
"sec_num": "4"
},
{
"text": "Diverses strat\u00e9gies ont \u00e9t\u00e9 implant\u00e9es et \u00e9valu\u00e9es dans nos exp\u00e9riences. La premi\u00e8re consiste \u00e0 supprimer tous les exemples non atteignables. Une seconde alternative consiste \u00e0 augmenter le mod\u00e8le localement de fa\u00e7on \u00e0 compenser les lacunes du mod\u00e8le : dans notre architecture, cela revient par exemple \u00e0 simuler l'existence d'unit\u00e9s de traduction qui seraient manquantes. La troisi\u00e8me alternative, qui s'est av\u00e9r\u00e9e la meilleure, consiste \u00e0 utiliser des pseudo-r\u00e9f\u00e9rence oracles calcul\u00e9es non pas sur des listes de n-meilleures hypoth\u00e8ses, mais sur l'int\u00e9gralit\u00e9 de l'espace de recherche (voir (Sokolov et al., 2012) pour une description des algorithmes permettant de calculer ces oracles lorsque la m\u00e9trique mesurant la qualit\u00e9 des traductions est le score BLEU).",
"cite_spans": [
{
"start": 594,
"end": 616,
"text": "(Sokolov et al., 2012)",
"ref_id": "BIBREF30"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Les r\u00e9f\u00e9rences non atteignables",
"sec_num": "4"
},
{
"text": "Pour pr\u00e9senter les principales caract\u00e9ristiques utilis\u00e9es dans notre mod\u00e8le, reportons nous \u00e0 la Figure 1 Les r\u00e9ordonnancements sont \u00e9valu\u00e9s par un autre ensemble de caract\u00e9ristiques int\u00e9grant des tests qui simulent les mod\u00e8les de r\u00e9ordonnancement lexicalis\u00e9s standard (Tillman, 2004; Crego et al., 2011) . Dans notre approche, cinq classes de d\u00e9placements sont consid\u00e9r\u00e9es : 'monotone', 'swap', 'left discontinuous', 'right discontinuous' and 'other'. Pour chaque cat\u00e9gorie, deux caract\u00e9ristiques testent respectivement l'association avec le segment cible et la s\u00e9quence de POS correspondante.",
"cite_spans": [
{
"start": 269,
"end": 284,
"text": "(Tillman, 2004;",
"ref_id": "BIBREF34"
},
{
"start": 285,
"end": 304,
"text": "Crego et al., 2011)",
"ref_id": "BIBREF9"
}
],
"ref_spans": [
{
"start": 97,
"end": 105,
"text": "Figure 1",
"ref_id": "FIGREF0"
}
],
"eq_spans": [],
"section": "Caract\u00e9ristiques",
"sec_num": "5"
},
{
"text": "Nous utilisons finalement deux caract\u00e9ristiques suppl\u00e9mentaires : la premi\u00e8re est toujours active et permet d' \u00ab encourager \u00bb l'insertion de nouveaux segments dans la phrase en construction. La seconde est relative aux recopies, et est active quand les mots source et cibles sont identiques, ce qui permet de \u00ab r\u00e9compenser \u00bb la recopie d'un mot source inconnu dans la cible, une strat\u00e9gie qui s'av\u00e8re souvent gagnante. (pour les noms propres, les dates, etc)",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Caract\u00e9ristiques",
"sec_num": "5"
},
{
"text": "6 Exp\u00e9riences",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Caract\u00e9ristiques",
"sec_num": "5"
},
{
"text": "La t\u00e2che de traduction consid\u00e9r\u00e9e utilise les donn\u00e9es parall\u00e8les fran\u00e7ais/anglais du Basic Traveling Expression Corpus (BTEC), tel qu'il a \u00e9t\u00e9 utilis\u00e9 dans les \u00e9valuations internationales de l'atelier IWSLT. Ce corpus contient des phrases semblables \u00e0 ce que l'on peut trouver dans des guides touristiques, en plusieurs langues (Takezawa et al., 2002) . Le corpus de d\u00e9veloppement est devel03, qui contient 506 lignes et 16 r\u00e9f\u00e9rences par lignes ; nous utilisons comme jeu de test les corpus test09 et test10 qui contiennent respectivement 469 lignes et 464 lignes, avec 7 traductions de r\u00e9f\u00e9rence. Notre mesure principale de la qualit\u00e9 des traductions est le score BLEU calcul\u00e9 en utilisant le maximum de r\u00e9f\u00e9rences disponibles. Cette t\u00e2che est souvent consid\u00e9r\u00e9e comme relativement simple, au vu de la longueur moyenne des phrases, et du relativement faible nombre de donn\u00e9es d'apprentissage : l'utilisation de notre cadre int\u00e9gr\u00e9 d'apprentissage discriminant implique toutefois d'entrainer le syst\u00e8me sur environ 20K phrases, soit 10 fois plus que ce qui est usuellement utilis\u00e9 pour entrainer discrimininativement (avec MERT) des syst\u00e8mes standard sur des \u00ab grosses \u00bb t\u00e2ches.",
"cite_spans": [
{
"start": 328,
"end": 351,
"text": "(Takezawa et al., 2002)",
"ref_id": "BIBREF32"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus et syst\u00e8me de base",
"sec_num": "6.1"
},
{
"text": "Notre syst\u00e8me de base est n-code 4 (Crego et al., 2011) , une implantation domaine public de l'approche \u00e0 base de n-gram introduite dans (Mari\u00f1o et al., 2006) . Selon cette approche, le mod\u00e8le de traduction est repr\u00e9sent\u00e9 par un transducteur stochastique correspondant \u00e0 un mod\u00e8le n-gramme de couples de segments (n = 3 dans nos exp\u00e9riences). L'entra\u00eenement d'un tel mod\u00e8le demande au pr\u00e9alable de r\u00e9ordonner les phrases sources pour reproduire l'ordre des mots en langue cible. Ce r\u00e9ordonnancement est \u00e9galement effectu\u00e9 par un transducteur fini non-d\u00e9terministe, qui utilise des informations morpho-syntaxiques (calcul\u00e9es par le TreeTagger 5 ) pour g\u00e9n\u00e9raliser les r\u00e8gles de reordonnancement au niveau des POS.",
"cite_spans": [
{
"start": 35,
"end": 55,
"text": "(Crego et al., 2011)",
"ref_id": "BIBREF9"
},
{
"start": 137,
"end": 158,
"text": "(Mari\u00f1o et al., 2006)",
"ref_id": "BIBREF22"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus et syst\u00e8me de base",
"sec_num": "6.1"
},
{
"text": "Le mod\u00e8le complet utilise quatorze caract\u00e9ristiques : le mod\u00e8le de traduction, un mod\u00e8le (trigramme) de langue cible, quatre mod\u00e8les d'alignement lexicalis\u00e9s 6 , six mod\u00e8les de r\u00e9ordonnancement lexicalis\u00e9s (Tillman, 2004; Crego et al., 2011) ; un mod\u00e8le de distortion ainsi que deux mod\u00e8les suppl\u00e9mentaires qui encouragent respectivement la g\u00e9n\u00e9ration de mots et de segments cibles. Les poids des diff\u00e9rents mod\u00e8les sont estim\u00e9s en utilisant la proc\u00e9dure MERT (Och, 2003) .",
"cite_spans": [
{
"start": 158,
"end": 159,
"text": "6",
"ref_id": null
},
{
"start": 206,
"end": 221,
"text": "(Tillman, 2004;",
"ref_id": "BIBREF34"
},
{
"start": 222,
"end": 241,
"text": "Crego et al., 2011)",
"ref_id": "BIBREF9"
},
{
"start": 460,
"end": 471,
"text": "(Och, 2003)",
"ref_id": "BIBREF23"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus et syst\u00e8me de base",
"sec_num": "6.1"
},
{
"text": "Pour toutes nos exp\u00e9riences, le mod\u00e8le de langue cible est estim\u00e9 en utilisant un lissage de Kneser-Ney modifi\u00e9 (Chen et Goodman, 1996) . Notons \u00e9galement que tous les syst\u00e8mes \u00e9valu\u00e9s ci-desous utilisent le m\u00eame inventaire d'unit\u00e9s de traduction et le m\u00eame m\u00e9canisme de r\u00e9ordonnancement, qui sont ceux construits pour le syst\u00e8me de base, ce qui permet une comparaison \u00e9quitable entre syst\u00e8mes. Tous nos r\u00e9sultats respectent les contraintes de la t\u00e2che sp\u00e9cifi\u00e9e pour la campagne IWSLT 2010, et peuvent \u00eatre directement compar\u00e9s avec les r\u00e9sultats de (Paul et al., 2010) .",
"cite_spans": [
{
"start": 112,
"end": 135,
"text": "(Chen et Goodman, 1996)",
"ref_id": "BIBREF3"
},
{
"start": 551,
"end": 570,
"text": "(Paul et al., 2010)",
"ref_id": "BIBREF25"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Corpus et syst\u00e8me de base",
"sec_num": "6.1"
},
{
"text": "Le tableau 2 r\u00e9capitule nos principaux r\u00e9sultats en termes de scores BLEU. Premi\u00e8re observation : le syst\u00e8me de base est l\u00e9g\u00e8rement meilleur que le meilleur syst\u00e8me ayant particip\u00e9 \u00e0 la campagne IWSLT 2010 ((Paul et al., 2010, p.20) mentionne un score de 52, 69 pour le meilleur syst\u00e8me). Trois configurations diff\u00e9rentes du syst\u00e8me discriminant sont compar\u00e9es : la premi\u00e8re r\u00e9alise l'inf\u00e9rence en utilisant l'approximation dite de Viterbi (\u00e9quation (5)) et obtient des performances tr\u00e8s inf\u00e9rieures au syst\u00e8me n-code ; la seconde configuration implante la proc\u00e9dure de marginalisation approximative d\u00e9crite \u00e0 la section 3.3, ce qui permet une l\u00e9g\u00e8re am\u00e9lioration des performances. La troisi\u00e8me configuration (+LM cible) int\u00e8gre \u00e9galement, comme c'est le cas pour les syst\u00e8mes n-code, un mod\u00e8le trigramme en langue cible et permet de surpasser l\u00e9g\u00e8rement le syst\u00e8me de base sur les deux jeux de test. \u00c0 l'initialisation de l'apprentissage, le mod\u00e8le de traduction contient environ 13 millions de caract\u00e9ristiques. Au terme de l'apprentissage, seulement 4% sont s\u00e9lectionn\u00e9es, les autres \u00e9tant \u00e9limin\u00e9es du mod\u00e8le sous l'action de la p\u00e9nalit\u00e9 1 . Au total, apprendre un tel mod\u00e8le prend une dizaine de minutes sur un gros serveur de calcul et la traduction du jeu de test ne demande que 4. Accessible depuis ncode.limsi.fr/. 5. Accessible depuis www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/.",
"cite_spans": [
{
"start": 206,
"end": 232,
"text": "((Paul et al., 2010, p.20)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "R\u00e9sultats",
"sec_num": "6.2"
},
{
"text": "6. Ces mod\u00e8les sont similaires \u00e0 ceux qui sont utilis\u00e9s dans les syst\u00e8mes standard. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "R\u00e9sultats",
"sec_num": "6.2"
},
{
"text": "L'approche standard en traduction statistique, rappel\u00e9e \u00e0 la section 2, r\u00e9alise l'apprentissage des mod\u00e8les en deux \u00e9tapes successives et repose grandement sur une proc\u00e9dure d'optimisation ad hoc, connue sous le nom de MERT (Och, 2003) . De nombreux travaux r\u00e9cents ont tent\u00e9 de reformuler MERT comme un probl\u00e8me d'apprentissage standard, afin de le rendre plus robuste \u00e0 des situations o\u00f9 le nombre de caract\u00e9ristiques est grand. MERT a ainsi \u00e9t\u00e9 reformul\u00e9 par exemple comme un probl\u00e8me d'apprentissage structur\u00e9 (Tillmann et Zhang, 2006; Watanabe et al., 2007; Cherry et Foster, 2012 ) ou encore comme un probl\u00e8me d'apprentissage de fonction d'ordonnancement (Hopkins et May, 2011) . Ces approches visent \u00e0 am\u00e9liorer la seconde \u00e9tape de l'apprentissage, sans remettre toutefois en cause l'architecture globale du syst\u00e8me. Par comparaison, les travaux cherchant \u00e0 d\u00e9finir des cadres d'apprentissage int\u00e9gr\u00e9s sont plus rares.",
"cite_spans": [
{
"start": 224,
"end": 235,
"text": "(Och, 2003)",
"ref_id": "BIBREF23"
},
{
"start": 514,
"end": 539,
"text": "(Tillmann et Zhang, 2006;",
"ref_id": "BIBREF36"
},
{
"start": 540,
"end": 562,
"text": "Watanabe et al., 2007;",
"ref_id": "BIBREF37"
},
{
"start": 563,
"end": 585,
"text": "Cherry et Foster, 2012",
"ref_id": "BIBREF4"
},
{
"start": 661,
"end": 683,
"text": "(Hopkins et May, 2011)",
"ref_id": "BIBREF13"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "7"
},
{
"text": "Un pas important dans cette direction est le mod\u00e8le de Liang et al. (2006) , qui utilise un perceptron structur\u00e9 pour apprendre les param\u00e8tres du mod\u00e8le. Cette approche requiert toutefois de fixer la valeur des variables latentes impliqu\u00e9es dans une d\u00e9rivation aussi bien \u00e0 l'apprentissage que lors de l'inf\u00e9rence, l\u00e0 o\u00f9 nous utilisons une proc\u00e9dure de marginalisation. Une autre diff\u00e9rence avec notre travail est l'utilisation d'un mod\u00e8le de r\u00e9ordonnancement plus simple. Une autre source 7. Ces r\u00e9sultats sont obtenus pour la strat\u00e9gie d'inf\u00e9rence dite de Viterbi.",
"cite_spans": [
{
"start": 55,
"end": 74,
"text": "Liang et al. (2006)",
"ref_id": "BIBREF21"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "7"
},
{
"text": "d'inspiration est le travail d\u00e9crit dans (Blunsom et al., 2008) , qui d\u00e9crit une version discriminante du mod\u00e8le hi\u00e9rarchique de Chiang (2005) . Comme dans notre approche, l'apprentissage repose sur l'optimisation de la log-vraisemblance conditionnelle, impliquant de sommer sur toutes les d\u00e9rivations (hors-contexte) d'une traduction. La complexit\u00e9 de l'algorithme de parsage sousjacent au calcul du gradient O(|t| 3 |s| 3 ) semble toutefois limiter l'approche \u00e0 des phrases courtes 8 . Une diff\u00e9rence significative avec notre travail est la gestion des r\u00e9f\u00e9rences non-atteignables, qui sont purement et simplement supprim\u00e9es du corpus d'apprentissage. Le travail plus r\u00e9cent de Dyer et Resnik (2010) m\u00e9rite enfin mention, puisqu'il utilise la m\u00eame architecture que la n\u00f4tre, \u00e0 la diff\u00e9rence pr\u00e8s que le mod\u00e8le de r\u00e9ordonnancement est un mod\u00e8le hors-contexte plut\u00f4t que rationnel. Ce travail est toutefois focalis\u00e9 sur l'apprentissage du mod\u00e8le de r\u00e9ordonnancement et conserve le besoin d'entra\u00eener s\u00e9par\u00e9ment le mod\u00e8le de traduction.",
"cite_spans": [
{
"start": 41,
"end": 63,
"text": "(Blunsom et al., 2008)",
"ref_id": "BIBREF2"
},
{
"start": 129,
"end": 142,
"text": "Chiang (2005)",
"ref_id": "BIBREF5"
},
{
"start": 677,
"end": 701,
"text": "de Dyer et Resnik (2010)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "7"
},
{
"text": "En r\u00e9sum\u00e9, notre approche se distingue de la plupart des approches discriminantes en traduction statistique en ceci que nous r\u00e9alisons l'apprentissage simultan\u00e9 de tous les param\u00e8tres du mod\u00e8le de mani\u00e8re int\u00e9gr\u00e9e, par optimisation d'une fonction objectif bien fond\u00e9e th\u00e9oriquement (la log-vraisemblance conditionnelle r\u00e9gularis\u00e9e).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion",
"sec_num": "7"
},
{
"text": "Nous avons pr\u00e9sent\u00e9 une architecture int\u00e9gr\u00e9e pour r\u00e9aliser en une seule \u00e9tape l'apprentissage discriminant de tous les param\u00e8tres des syst\u00e8mes de traduction. Cette architecture, qui emprunte beaucoup \u00e0 des techniques d'apprentissage bien connues, permet d'introduire dans le mod\u00e8le un tr\u00e8s grand nombre de caract\u00e9ristiques. En utilisant cette architecture, nous avons d\u00e9velopp\u00e9 un syst\u00e8me qui surpasse un syst\u00e8me de base tr\u00e8s performant sur la t\u00e2che de traduction du BTEC. Notons en particulier que notre approche conduit \u00e0 des meilleurs scores BLEU que n-code, qui est pourtant sp\u00e9cifiquement entra\u00een\u00e9 pour optimiser cette m\u00e9trique. Une propri\u00e9t\u00e9 importante de notre approche est son caract\u00e8re modulaire, puisqu'elle s'accomode d'inventaires d'unit\u00e9s et de mod\u00e8les de r\u00e9ordonnancement vari\u00e9s.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": null
},
{
"text": "Dans le futur, la priorit\u00e9 principale sera de r\u00e9aliser des exp\u00e9riences sur des t\u00e2ches plus complexes, impliquant \u00e0 la fois de plus gros corpus d'apprentissage et des langues plus \u00e9loign\u00e9es. Diverses am\u00e9liorations du mod\u00e8le pr\u00e9sent\u00e9 ici sont \u00e9galement \u00e0 l'\u00e9tude : ainsi l'utilisation de mod\u00e8les de r\u00e9ordonnancement plus puissants, \u00e0 la mani\u00e8re de Dyer et Resnik (2010) ; l'utilisation d'unit\u00e9s de traduction avec trous, poursuivant les propositions de (Simard et al., 2005; Crego et Yvon, 2009) ; ou l'utilisation d'une fonction objectif int\u00e9grant une mesure plus directe de la qualit\u00e9 de traduction, \u00e0 l'instar par exemple de (Gimpel et Smith, 2010) .",
"cite_spans": [
{
"start": 451,
"end": 472,
"text": "(Simard et al., 2005;",
"ref_id": "BIBREF28"
},
{
"start": 473,
"end": 493,
"text": "Crego et Yvon, 2009)",
"ref_id": "BIBREF8"
},
{
"start": 626,
"end": 649,
"text": "(Gimpel et Smith, 2010)",
"ref_id": "BIBREF12"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": null
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": ". L'estimation du mod\u00e8le de traduction est en fait plus complexe et implique un empilement d'\u00e9tapes heuristiques : calcul d'alignements de mots asym\u00e9triques, sym\u00e9trisation des alignements, extraction et \u00e9valuation des couples bilingues de segments, etc.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [
{
"text": "Ce travail a \u00e9t\u00e9 partiellement financ\u00e9 par OSEO dans le cadre du programme Quaero. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Remerciements",
"sec_num": null
}
],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "M\u00e9thodes statistiques pour la traduction automatique",
"authors": [
{
"first": "A",
"middle": [],
"last": "Allauzen",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Gaussier",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2011,
"venue": "\u00e9diteurs : Mod\u00e8les statistiques pour l'acc\u00e8s \u00e0 l'information textuelle",
"volume": "",
"issue": "",
"pages": "271--356",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ALLAUZEN, A. et YVON, F. (2011). M\u00e9thodes statistiques pour la traduction automatique. In GAUSSIER, E. et YVON, F., \u00e9diteurs : Mod\u00e8les statistiques pour l'acc\u00e8s \u00e0 l'information textuelle, chapitre 7, pages 271-356. Herm\u00e8s, Paris.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "OpenFst : A general and efficient weighted finite-state transducer library",
"authors": [
{
"first": "C",
"middle": [],
"last": "Allauzen",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Riley",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Schalkwyk",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Skut",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Mohri",
"suffix": ""
}
],
"year": 2007,
"venue": "Proc. of CIAA",
"volume": "",
"issue": "",
"pages": "11--23",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ALLAUZEN, C., RILEY, M., SCHALKWYK, J., SKUT, W. et MOHRI, M. (2007). OpenFst : A general and efficient weighted finite-state transducer library. In Proc. of CIAA, pages 11-23.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "A discriminative latent variable model for statistical machine translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Blunsom",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Cohn",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Osborne",
"suffix": ""
}
],
"year": 2008,
"venue": "Proc. ACL/HLT",
"volume": "",
"issue": "",
"pages": "200--208",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "BLUNSOM, P., COHN, T. et OSBORNE, M. (2008). A discriminative latent variable model for statistical machine translation. In Proc. ACL/HLT, pages 200-208.",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "An empirical study of smoothing techniques for language modeling",
"authors": [
{
"first": "S",
"middle": [
"F"
],
"last": "Chen",
"suffix": ""
},
{
"first": "J",
"middle": [
"T"
],
"last": "Goodman",
"suffix": ""
}
],
"year": 1996,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "310--318",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHEN, S. F. et GOODMAN, J. T. (1996). An empirical study of smoothing techniques for language modeling. In Proc. ACL, pages 310-318.",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "Batch tuning strategies for statistical machine translation",
"authors": [
{
"first": "C",
"middle": [],
"last": "Cherry",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Foster",
"suffix": ""
}
],
"year": 2012,
"venue": "Proc. of the 2012 Conf. HLT-NAACL",
"volume": "",
"issue": "",
"pages": "427--436",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHERRY, C. et FOSTER, G. (2012). Batch tuning strategies for statistical machine translation. In Proc. of the 2012 Conf. HLT-NAACL, pages 427-436.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "A hierarchical phrase-based model for statistical machine translation",
"authors": [
{
"first": "D",
"middle": [],
"last": "Chiang",
"suffix": ""
}
],
"year": 2005,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "263--270",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHIANG, D. (2005). A hierarchical phrase-based model for statistical machine translation. In Proc. ACL, pages 263-270.",
"links": null
},
"BIBREF6": {
"ref_id": "b6",
"title": "11,001 new features for statistical machine translation",
"authors": [
{
"first": "D",
"middle": [],
"last": "Chiang",
"suffix": ""
},
{
"first": "K",
"middle": [],
"last": "Knight",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Wang",
"suffix": ""
}
],
"year": 2009,
"venue": "Proc. NAACL/HLT",
"volume": "",
"issue": "",
"pages": "218--226",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CHIANG, D., KNIGHT, K. et WANG, W. (2009). 11,001 new features for statistical machine translation. In Proc. NAACL/HLT, pages 218-226.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "Improving SMT by coupling reordering and decoding",
"authors": [
{
"first": "J",
"middle": [
"M"
],
"last": "Crego",
"suffix": ""
},
{
"first": "J",
"middle": [
"B"
],
"last": "Mari\u00f1o",
"suffix": ""
}
],
"year": 2007,
"venue": "Machine Translation",
"volume": "20",
"issue": "3",
"pages": "199--215",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CREGO, J. M. et MARI\u00d1O, J. B. (2007). Improving SMT by coupling reordering and decoding. Machine Translation, 20(3):199-215.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "Gappy translation units under left-to-right SMT decoding",
"authors": [
{
"first": "J",
"middle": [
"M"
],
"last": "Crego",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2009,
"venue": "Proc. of the conf. EAMT",
"volume": "",
"issue": "",
"pages": "66--73",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CREGO, J. M. et YVON, F. (2009). Gappy translation units under left-to-right SMT decoding. In Proc. of the conf. EAMT, pages 66-73.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "N-code : an open-source Bilingual N-gram SMT Toolkit",
"authors": [
{
"first": "J",
"middle": [
"M"
],
"last": "Crego",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
},
{
"first": "J",
"middle": [
"B"
],
"last": "Mari\u00f1o",
"suffix": ""
}
],
"year": 2011,
"venue": "Prague Bulletin of Mathematical Linguistics",
"volume": "96",
"issue": "",
"pages": "49--58",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CREGO, J. M., YVON, F. et MARI\u00d1O, J. B. (2011). N-code : an open-source Bilingual N-gram SMT Toolkit. Prague Bulletin of Mathematical Linguistics, 96:49-58.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Latent-variable modeling of string transductions with finite-state methods",
"authors": [
{
"first": "M",
"middle": [],
"last": "Dreyer",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Smith",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Eisner",
"suffix": ""
}
],
"year": 2008,
"venue": "Proc. EMNLP",
"volume": "",
"issue": "",
"pages": "1080--1089",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "DREYER, M., SMITH, J. et EISNER, J. (2008). Latent-variable modeling of string transductions with finite-state methods. In Proc. EMNLP, pages 1080-1089.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "Context-free reordering, finite-state translation",
"authors": [
{
"first": "C",
"middle": [],
"last": "Dyer",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Resnik",
"suffix": ""
}
],
"year": 2010,
"venue": "Proc NAACL/HLT",
"volume": "",
"issue": "",
"pages": "858--866",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "DYER, C. et RESNIK, P. (2010). Context-free reordering, finite-state translation. In Proc NAACL/HLT, pages 858-866, Los Angeles.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Softmax-margin CRFs : training log-linear models with cost functions",
"authors": [
{
"first": "K",
"middle": [],
"last": "Gimpel",
"suffix": ""
},
{
"first": "N",
"middle": [
"A"
],
"last": "Smith",
"suffix": ""
}
],
"year": 2010,
"venue": "Proc. HLT-NAACL, HLT '10",
"volume": "",
"issue": "",
"pages": "733--736",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GIMPEL, K. et SMITH, N. A. (2010). Softmax-margin CRFs : training log-linear models with cost functions. In Proc. HLT-NAACL, HLT '10, pages 733-736.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Tuning as ranking",
"authors": [
{
"first": "M",
"middle": [],
"last": "Hopkins",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "May",
"suffix": ""
}
],
"year": 2011,
"venue": "Proc. EMNLP",
"volume": "",
"issue": "",
"pages": "1352--1362",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HOPKINS, M. et MAY, J. (2011). Tuning as ranking. In Proc. EMNLP, pages 1352-1362.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "Statistical Machine Translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Koehn",
"suffix": ""
}
],
"year": 2010,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOEHN, P. (2010). Statistical Machine Translation. Cambridge University Press.",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "Moses : Open source toolkit for statistical machine translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Koehn",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Hoang",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Birch",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Callison-Burch",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Federico",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Bertoldi",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Cowan",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Shen",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Moran",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Zens",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Dyer",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Bojar",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Constantin",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Herbst",
"suffix": ""
}
],
"year": 2007,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "177--180",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOEHN, P., HOANG, H., BIRCH, A., CALLISON-BURCH, C., FEDERICO, M., BERTOLDI, N., COWAN, B., SHEN, W., MORAN, C., ZENS, R., DYER, C., BOJAR, O., CONSTANTIN, A. et HERBST, E. (2007). Moses : Open source toolkit for statistical machine translation. In Proc. ACL, pages 177-180.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "Statistical phrase-based translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Koehn",
"suffix": ""
},
{
"first": "F",
"middle": [
"J"
],
"last": "Och",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Marcu",
"suffix": ""
}
],
"year": 2003,
"venue": "Proc of the conf. HLT-NAACL",
"volume": "",
"issue": "",
"pages": "127--133",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOEHN, P., OCH, F. J. et MARCU, D. (2003). Statistical phrase-based translation. In Proc of the conf. HLT-NAACL, pages 127-133.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Local phrase reordering models for statistical machine translation",
"authors": [
{
"first": "S",
"middle": [],
"last": "Kumar",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Byrne",
"suffix": ""
}
],
"year": 2005,
"venue": "Proc. HLT-EMNLP",
"volume": "",
"issue": "",
"pages": "161--168",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KUMAR, S. et BYRNE, W. (2005). Local phrase reordering models for statistical machine translation. In Proc. HLT-EMNLP, pages 161-168.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "A weighted finite state transducer translation template model for statistical machine translation",
"authors": [
{
"first": "S",
"middle": [],
"last": "Kumar",
"suffix": ""
},
{
"first": "Y",
"middle": [],
"last": "Deng",
"suffix": ""
},
{
"first": "W",
"middle": [],
"last": "Byrne",
"suffix": ""
}
],
"year": 2006,
"venue": "Natural Language Engineering",
"volume": "12",
"issue": "1",
"pages": "35--75",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KUMAR, S., DENG, Y. et BYRNE, W. (2006). A weighted finite state transducer translation template model for statistical machine translation. Natural Language Engineering, 12(1):35-75.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "Conditional random fields : probabilistic models for segmenting and labeling sequence data",
"authors": [
{
"first": "J",
"middle": [],
"last": "Lafferty",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Mccallum",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Pereira",
"suffix": ""
}
],
"year": 2001,
"venue": "Proc. ICML",
"volume": "",
"issue": "",
"pages": "282--289",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAFFERTY, J., MCCALLUM, A. et PEREIRA, F. (2001). Conditional random fields : probabilistic models for segmenting and labeling sequence data. In Proc. ICML, pages 282-289.",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "From n-gram-based to CRF-based translation models",
"authors": [
{
"first": "T",
"middle": [],
"last": "Lavergne",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Allauzen",
"suffix": ""
},
{
"first": "J",
"middle": [
"M"
],
"last": "Crego",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2011,
"venue": "Proc. WMT",
"volume": "",
"issue": "",
"pages": "542--553",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAVERGNE, T., ALLAUZEN, A., CREGO, J. M. et YVON, F. (2011). From n-gram-based to CRF-based translation models. In Proc. WMT, pages 542-553.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "An end-to-end discriminative approach to machine translation",
"authors": [
{
"first": "P",
"middle": [],
"last": "Liang",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Bouchard-C\u00f4t\u00e9",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Klein",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Taskar",
"suffix": ""
}
],
"year": 2006,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "761--768",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LIANG, P., BOUCHARD-C\u00d4T\u00c9, A., KLEIN, D. et TASKAR, B. (2006). An end-to-end discriminative approach to machine translation. In Proc. ACL, pages 761-768.",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "N-gram-based machine translation",
"authors": [
{
"first": "J",
"middle": [
"B"
],
"last": "Mari\u00f1o",
"suffix": ""
},
{
"first": "R",
"middle": [
"E"
],
"last": "Banchs",
"suffix": ""
},
{
"first": "J",
"middle": [
"M"
],
"last": "Crego",
"suffix": ""
},
{
"first": "Gispert",
"middle": [],
"last": "De",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Lambert",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Fonollosa",
"suffix": ""
},
{
"first": "J",
"middle": [
"A"
],
"last": "Costa-Juss\u00e0",
"suffix": ""
},
{
"first": "M",
"middle": [
"R"
],
"last": "",
"suffix": ""
}
],
"year": 2006,
"venue": "Comp. Ling",
"volume": "32",
"issue": "4",
"pages": "527--549",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MARI\u00d1O, J. B., BANCHS, R. E., CREGO, J. M., de GISPERT, A., LAMBERT, P., FONOLLOSA, J. A. et COSTA-JUSS\u00c0, M. R. (2006). N-gram-based machine translation. Comp. Ling., 32(4):527-549.",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "Minimum error rate training in statistical machine translation",
"authors": [
{
"first": "F",
"middle": [
"J"
],
"last": "Och",
"suffix": ""
}
],
"year": 2003,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "160--167",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "OCH, F. J. (2003). Minimum error rate training in statistical machine translation. In Proc. ACL, pages 160-167.",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "BLEU : a method for automatic evaluation of machine translation",
"authors": [
{
"first": "K",
"middle": [],
"last": "Papineni",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Roukos",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Ward",
"suffix": ""
},
{
"first": "W.-J",
"middle": [],
"last": "Zhu",
"suffix": ""
}
],
"year": 2002,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "311--318",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PAPINENI, K., ROUKOS, S., WARD, T. et ZHU, W.-J. (2002). BLEU : a method for automatic evaluation of machine translation. In Proc. ACL, pages 311-318.",
"links": null
},
"BIBREF25": {
"ref_id": "b25",
"title": "Overview of the IWSLT 2010 Evaluation Campaign",
"authors": [
{
"first": "M",
"middle": [],
"last": "Paul",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Federico",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "St\u00fccker",
"suffix": ""
}
],
"year": 2010,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PAUL, M., FEDERICO, M. et ST\u00dcCKER, S. (2010). Overview of the IWSLT 2010 Evaluation Campaign.",
"links": null
},
"BIBREF26": {
"ref_id": "b26",
"title": "\u00e9diteurs : Proc. IWSLT",
"authors": [
{
"first": "Federico",
"middle": [],
"last": "In",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Lane",
"suffix": ""
},
{
"first": "I",
"middle": [],
"last": "Paul",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Yvon",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": null,
"venue": "",
"volume": "",
"issue": "",
"pages": "3--27",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "In FEDERICO, M., LANE, I., PAUL, M. et YVON, F., \u00e9diteurs : Proc. IWSLT, pages 3-27.",
"links": null
},
"BIBREF27": {
"ref_id": "b27",
"title": "A direct adaptive method for faster backpropagation learning : The RPROP algorithm",
"authors": [
{
"first": "M",
"middle": [],
"last": "Riedmiller",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Braun",
"suffix": ""
}
],
"year": 1993,
"venue": "Proc. ICNN",
"volume": "",
"issue": "",
"pages": "586--591",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RIEDMILLER, M. et BRAUN, H. (1993). A direct adaptive method for faster backpropagation learning : The RPROP algorithm. In Proc. ICNN, pages 586-591.",
"links": null
},
"BIBREF28": {
"ref_id": "b28",
"title": "Translating with non-contiguous phrases",
"authors": [
{
"first": "M",
"middle": [],
"last": "Simard",
"suffix": ""
},
{
"first": "N",
"middle": [],
"last": "Cancedda",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Cavestro",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Dymetman",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Gaussier",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Goutte",
"suffix": ""
},
{
"first": "K",
"middle": [],
"last": "Yamada",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Langlais",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Mauser",
"suffix": ""
}
],
"year": 2005,
"venue": "Proc. HLT-EMNLP",
"volume": "",
"issue": "",
"pages": "755--762",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SIMARD, M., CANCEDDA, N., CAVESTRO, B., DYMETMAN, M., GAUSSIER, E., GOUTTE, C., YAMADA, K., LANGLAIS, P. et MAUSER, A. (2005). Translating with non-contiguous phrases. In Proc. HLT-EMNLP, pages 755-762.",
"links": null
},
"BIBREF29": {
"ref_id": "b29",
"title": "Joint feature selection in distributed stochastic learning for large-scale discriminative training in SMT",
"authors": [
{
"first": "P",
"middle": [],
"last": "Simianer",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Riezler",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Dyer",
"suffix": ""
}
],
"year": 2012,
"venue": "Proc. ACL",
"volume": "",
"issue": "",
"pages": "11--21",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SIMIANER, P., RIEZLER, S. et DYER, C. (2012). Joint feature selection in distributed stochastic learning for large-scale discriminative training in SMT. In Proc. ACL, pages 11-21.",
"links": null
},
"BIBREF30": {
"ref_id": "b30",
"title": "Computing lattice BLEU oracle scores for machine translation",
"authors": [
{
"first": "A",
"middle": [],
"last": "Sokolov",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Wisniewski",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2012,
"venue": "Proc. EACL",
"volume": "",
"issue": "",
"pages": "120--129",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SOKOLOV, A., WISNIEWSKI, G. et YVON, F. (2012). Computing lattice BLEU oracle scores for machine translation. In Proc. EACL, pages 120-129.",
"links": null
},
"BIBREF31": {
"ref_id": "b31",
"title": "An introduction to conditional random fields for relational learning",
"authors": [
{
"first": "C",
"middle": [],
"last": "Sutton",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Mccallum",
"suffix": ""
}
],
"year": 2006,
"venue": "GETOOR, L. et TASKAR, B., \u00e9diteurs : Introduction to Statistical Relational Learning",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SUTTON, C. et MCCALLUM, A. (2006). An introduction to conditional random fields for relational learning. In GETOOR, L. et TASKAR, B., \u00e9diteurs : Introduction to Statistical Relational Learning. The MIT Press.",
"links": null
},
"BIBREF32": {
"ref_id": "b32",
"title": "Toward a broadcoverage bilingual corpus for speech translation of travel conversations in the real world",
"authors": [
{
"first": "T",
"middle": [],
"last": "Takezawa",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Sumita",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Sugaya",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Yamamoto",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Yamamoto",
"suffix": ""
}
],
"year": 2002,
"venue": "Proc. of LREC",
"volume": "1",
"issue": "",
"pages": "147--152",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TAKEZAWA, T., SUMITA, E., SUGAYA, F., YAMAMOTO, H. et YAMAMOTO, S. (2002). Toward a broad- coverage bilingual corpus for speech translation of travel conversations in the real world. In Proc. of LREC, volume 1, pages 147-152.",
"links": null
},
"BIBREF33": {
"ref_id": "b33",
"title": "Regression shrinkage and selection via the Lasso",
"authors": [
{
"first": "R",
"middle": [],
"last": "Tibshirani",
"suffix": ""
}
],
"year": 1996,
"venue": "J.R.Statist.Soc.B",
"volume": "58",
"issue": "1",
"pages": "267--288",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TIBSHIRANI, R. (1996). Regression shrinkage and selection via the Lasso. J.R.Statist.Soc.B, 58(1):267-288.",
"links": null
},
"BIBREF34": {
"ref_id": "b34",
"title": "A unigram orientation model for statistical machine translation",
"authors": [
{
"first": "C",
"middle": [],
"last": "Tillman",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Dumais",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Marcu",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Roukos",
"suffix": ""
}
],
"year": 2004,
"venue": "\u00e9diteurs : HLT-NAACL 2004 : Short Papers",
"volume": "",
"issue": "",
"pages": "101--104",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TILLMAN, C. (2004). A unigram orientation model for statistical machine translation. In DUMAIS, S., MARCU, D. et ROUKOS, S., \u00e9diteurs : HLT-NAACL 2004 : Short Papers, pages 101-104.",
"links": null
},
"BIBREF35": {
"ref_id": "b35",
"title": "Word reordering and a dynamic programming beam search algorithm for statistical machine translation",
"authors": [
{
"first": "C",
"middle": [],
"last": "Tillmann",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Ney",
"suffix": ""
}
],
"year": 2003,
"venue": "Comp. Ling",
"volume": "29",
"issue": "1",
"pages": "97--133",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TILLMANN, C. et NEY, H. (2003). Word reordering and a dynamic programming beam search algorithm for statistical machine translation. Comp. Ling., 29(1):97-133.",
"links": null
},
"BIBREF36": {
"ref_id": "b36",
"title": "A discriminative global training algorithm for statistical mt",
"authors": [
{
"first": "C",
"middle": [],
"last": "Tillmann",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Zhang",
"suffix": ""
}
],
"year": 2006,
"venue": "Proc. of the conf. of the ACL",
"volume": "",
"issue": "",
"pages": "721--728",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "TILLMANN, C. et ZHANG, T. (2006). A discriminative global training algorithm for statistical mt. In Proc. of the conf. of the ACL, pages 721-728.",
"links": null
},
"BIBREF37": {
"ref_id": "b37",
"title": "Online large-margin training for statistical machine translation",
"authors": [
{
"first": "T",
"middle": [],
"last": "Watanabe",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Suzuki",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Tsukada",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Isozaki",
"suffix": ""
}
],
"year": 2007,
"venue": "Proc. of EMNLP-CoNLL",
"volume": "",
"issue": "",
"pages": "764--773",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WATANABE, T., SUZUKI, J., TSUKADA, H. et ISOZAKI, H. (2007). Online large-margin training for statistical machine translation. In Proc. of EMNLP-CoNLL, pages 764-773.",
"links": null
},
"BIBREF38": {
"ref_id": "b38",
"title": "Phrase-based statistical machine translation",
"authors": [
{
"first": "R",
"middle": [],
"last": "Zens",
"suffix": ""
},
{
"first": "F",
"middle": [
"J"
],
"last": "Och",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Ney",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Jarke",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Koehler",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Lakemeyer",
"suffix": ""
}
],
"year": 2002,
"venue": "Advances in AI, volume 2479 de LNAI",
"volume": "",
"issue": "",
"pages": "18--32",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ZENS, R., OCH, F. J. et NEY, H. (2002). Phrase-based statistical machine translation. In JARKE, M., KOEHLER, J. et LAKEMEYER, G., \u00e9diteurs : KI-2002 : Advances in AI, volume 2479 de LNAI, pages 18-32. Springer.",
"links": null
}
},
"ref_entries": {
"FIGREF0": {
"num": null,
"text": "Deux arcs cons\u00e9cutifs dans l'espace de recherche : informations dont sont d\u00e9riv\u00e9es les caract\u00e9ristiques.",
"type_str": "figure",
"uris": null
},
"FIGREF1": {
"num": null,
"text": "qui donne \u00e0 voir deux arcs cons\u00e9cutifs dans l'espace de recherche S. Chaque arc porte toutes les informations n\u00e9cessaires au calcul des caract\u00e9ristiques : les segments source et cible (sw et tw), les s\u00e9quences de parties du discours (POS) associ\u00e9es (sp et t p ), ainsi que les positions originales (avant r\u00e9ordonnancement) des mots sources (sr). Les indices i et i \u22121 servent seulement \u00e0 noter le fait que l'arc i \u2212 1 pr\u00e9c\u00e8de l'arc i et constitue le contexte gauche de l'arc courant. \u00c9tant donn\u00e9e cette repr\u00e9sentation, il est possible de d\u00e9finir des caract\u00e9ristiques binaires qui chacune teste une propri\u00e9t\u00e9 particuli\u00e8re du couple d'arcs (i \u2212 1, i). La liste de descripteurs de base est dans le tableau 1.",
"type_str": "figure",
"uris": null
},
"FIGREF2": {
"num": null,
"text": "Figure 1. et bigrammes respectivement de segments de mots et de POS. L'autre groupe principal de caract\u00e9ristiques, not\u00e9 TM :* mod\u00e9lise les relations de traduction. Il comprend des caract\u00e9ristiques ind\u00e9pendantes du contexte (qui ne regardent que le segment courant) TM :ci-phrp et TM :ciposp qui testent respectivement l'association d'un segment source avec un segment cible au niveau lexical et au niveau des \u00e9tiquettes grammaticales ; les caract\u00e9ristiques d\u00e9pendantes du contexte gauche (TM :cd*) sont plus sp\u00e9cifiques et prennent en compte le segment pr\u00e9c\u00e9dent.",
"type_str": "figure",
"uris": null
},
"TABREF0": {
"content": "<table/>",
"text": "ou dans(Kumar et al., 2006) utilisent essentiellement le m\u00eame ensemble de variables latentes, alors que le mod\u00e8le hi\u00e9rarchique de Chiang (2005) utilise les d\u00e9rivations d'une grammaire hors-contexte synchrone.",
"type_str": "table",
"html": null,
"num": null
},
"TABREF2": {
"content": "<table><tr><td>Configuration</td><td colspan=\"3\">devel03 test09 test10</td></tr><tr><td colspan=\"2\">Syst\u00e8me n-code</td><td/><td/></tr><tr><td>Mod\u00e8le de traduction 2g</td><td>68,7</td><td>61,1</td><td>-</td></tr><tr><td>Mod\u00e8le de traduction 3g</td><td>68,0</td><td>61,6</td><td>53,4</td></tr><tr><td colspan=\"3\">Syst\u00e8me entra\u00een\u00e9 discriminativement</td><td/></tr><tr><td>Inf\u00e9rence Viterbi</td><td>64,0</td><td>58,8</td><td>51,5</td></tr><tr><td>+ marginalisation + LM cible</td><td>64,7 67,7</td><td>59,3 61,7</td><td>52,0 53,9</td></tr><tr><td colspan=\"4\">TABLE 2 -Performance des syst\u00e8mes de traduction (scores BLEU).</td></tr><tr><td>deux ou trois minutes.</td><td/><td/><td/></tr><tr><td colspan=\"4\">Le tableau 3 compare les diff\u00e9rentes mani\u00e8re de g\u00e9rer les r\u00e9f\u00e9rences non atteignables (voir</td></tr><tr><td>section 4) 7 . Configuration</td><td colspan=\"2\">devel03 test09</td><td/></tr><tr><td>Suppression</td><td>59,2</td><td>52,6</td><td/></tr><tr><td>Augmentation locale</td><td>62,4</td><td>56,4</td><td/></tr><tr><td>Pseudo-r\u00e9f\u00e9rences</td><td>64,0</td><td>58,8</td><td/></tr></table>",
"text": "Il apparait clairement que supprimer les exemples pour laquelle la r\u00e9f\u00e9rence est non atteignable est la pire, puisque dans notre cas elle conduit \u00e0 abandonner environ 8% des exemples. Augmenter localement le mod\u00e8le de traduction permet d'am\u00e9liorer tr\u00e8s nettement les r\u00e9sultats ; la strat\u00e9gie la plus efficace consiste toutefois \u00e0 utiliser des pseudo-r\u00e9f\u00e9rences oracles.",
"type_str": "table",
"html": null,
"num": null
},
"TABREF3": {
"content": "<table/>",
"text": "Diff\u00e9rentes mani\u00e8res de g\u00e9rer les r\u00e9f\u00e9rences non atteignables",
"type_str": "table",
"html": null,
"num": null
}
}
}
} |