في الآونة الأخيرة، أظهرت KNN-MT (Khandelwal et al.، 2020) القدرة الواعدة لإدماجها مباشرة نموذج الترجمة الآلية العصبية المدربة مسبقا (NMT) مع استرجاع المجلة K-Levely-Levely-Level (KNN) ذات المستوى الأعلى للمجال تكيف المجال دون إعادة التدريب. على الرغم
من كونها جذابة من الناحية النظرية، فإنه يعتمد بشدة على كورسا موازية عالية الجودة داخل المجال، مما يحد من قدرته على التكيف عن المجال غير المزعوم، حيث توجد شركة موازية داخل المجال نادرة أو غير موجودة. في هذه الورقة، نقترح إطارا جديدا يستخدم بشكل مباشر جمل أحادية المجال في اللغة المستهدفة لبناء اسم بيانات فعالة لاسترجاع جار ك. تحقيقا لهذه الغاية، نقدم أولا مهمة AutoNCoder بناء على اللغة المستهدفة، ثم قم بإدراج محولات خفيفة الوزن في نموذج NMT الأصلي لتعيين تمثيل مستوى الرمز المميز لهذه المهمة إلى التمثيل المثالي لمهمة الترجمة المثالية. توضح التجارب في مجموعات البيانات متعددة المجالات أن نهجنا المقترح يحسن بشكل كبير من دقة الترجمة مع بيانات أحادية الجانب المستهدف، مع تحقيق أداء مماثل مع الترجمة الخلفي. تنفيذنا مفتوح مصادر في HTTPS: // github. com / zhengxxn / uda-knn.
العديد من النماذج الإحصائية لها دقة عالية على معايير الاختبار، ولكنها ليست تفسيرها، لا يمكن إعادة استخدام النضال في سيناريوهات الموارد المنخفضة، ولا يمكن إعادة استخدامها لمهام متعددة، ولا يمكن دمج خبرات المجال بسهولة.هذه العوامل تحد من استخدامها، لا
سيما في إعدادات الصحة العقلية، حيث من الصعب التعليق على مجموعات البيانات والنواتج النموذجية لها تأثير كبير.نقدم بنية micromodel لمعالجة هذه التحديات.يسمح نهجنا الباحثين ببناء تمثيلات قابلة للتفسير تضمين معرفة المجال وتقديم توضيحات خلال عملية قرار النموذج.نوضح الفكرة على مهام الصحة العقلية المتعددة: تصنيف الاكتئاب، تصنيف PTSD، وتقييم المخاطر الانتحارية.تنتج أنظمتنا باستمرار نتائج قوية، حتى في سيناريوهات الموارد المنخفضة، وهي أكثر تفسيرا من الأساليب البديلة.
