In this work, we show a novel method for neural machine translation (NMT), using a denoising diffusion probabilistic model (DDPM), adjusted for textual data, following recent advances in the field. We show that it's possible to translate sentences non-autoregressively using a diffusion model conditioned on the source sentence. We also show that our model is able to translate between pairs of languages unseen during training (zero-shot learning).
翻译：在这项工作中,我们展示了一种神经机器翻译的新方法(NMT ), 使用一种经文本数据调整的分级扩散概率模型(DDPM ), 并随着最近实地的进展而调整。 我们展示了使用以源句为条件的不偏向的传播模型翻译判决的可能性。 我们还展示了我们的模型能够翻译在培训期间看不见的两种语言(零光学习 ) 。
相关内容
ACM/IEEE第23届模型驱动工程语言和系统国际会议，是模型驱动软件和系统工程的首要会议系列，由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来，模型涵盖了建模的各个方面，从语言和方法到工具和应用程序。模特的参加者来自不同的背景，包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛，参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会，并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。
官网链接：http://www.modelsconference.org/
Arxiv
3+阅读 · 2018年6月12日
相关主题
相关VIP内容
相关资讯
相关论文
Arxiv
3+阅读 · 2018年6月12日
微信扫码咨询专知VIP会员