توضح هذه الورقة تقديم NetMarble إلى مهمة مشاركة WMT21 التلقائية بعد التحرير (القرد) لزوج اللغة الإنجليزية الألمانية. أولا، نقترح استراتيجية تدريب المناهج الدراسية في مراحل التدريب. تم اختيار نموذج الترجمة من WMT19 Face Facebook لإشراك الشبكات العصبية
الكبيرة والقوية المدربة مسبقا. ثم، نقوم بتنفيذ نموذج الترجمة بمستويات مختلفة من البيانات في كل مراحل تدريبية. مع استمرار مراحل التدريب، نجعل النظام يتعلم حل مهام متعددة عن طريق إضافة معلومات إضافية في مراحل التدريب المختلفة تدريجيا. نعرض أيضا طريقة لاستخدام البيانات الإضافية في حجم كبير لمهام القرد. لمزيد من التحسين، نطبق استراتيجية التعلم متعددة المهام مع متوسط الوزن الديناميكي خلال مرحلة ضبط الدقيقة. لضبط Corpus القرد مع بيانات محدودة، نضيف بعض المهام الفرعية ذات الصلة لتعلم تمثيل موحد. أخيرا، للحصول على أداء أفضل، نستفيد الترجمات الخارجية كترجمة آلية ازدهار (MT) أثناء التدريب على ما بعد التدريب والضبط. كما تظهر النتائج التجريبية، يعمل نظام القرد لدينا بشكل كبير على تحسين ترجمات نتائج MT المقدمة بنسبة -2.848 و +3.74 على مجموعة بيانات التطوير من حيث TER و Bleu، على التوالي. كما يوضح فعاليته في مجموعة بيانات الاختبار بجودة أعلى من مجموعة بيانات التطوير.
المعرفة الواقعية المكتسبة أثناء التدريب المسبق وتخزينها في معلمات نماذج اللغة (LMS) يمكن أن تكون مفيدة في مهام المصب (على سبيل المثال، الإجابة على السؤال أو الاستدلال النصي). ومع ذلك، يمكن أن تسبب بعض الحقائق أو تصبح عفا عليها الزمن مع مرور الوقت. نق
دم المعلمين، وهي طريقة يمكن استخدامها لتحرير هذه المعرفة، وبالتالي إصلاح الأخطاء أو التنبؤات غير المتوقعة دون الحاجة إلى إعادة تدريب مكلفة أو ضبط جيد. إلى جانب كونها فعالة بشكل حسابي، لا تتطلب المعرفة المعرفة أي تعديلات في LM قبل التدريب (على سبيل المثال، استخدام التعلم التلوي). في نهجنا، نحن ندرب شبكة فرط بتحسين مقيد لتعديل حقيقة دون التأثير على بقية المعرفة؛ ثم يتم استخدام شبكة Hyper المدربة للتنبؤ بتحديث الوزن في وقت الاختبار. نعرض فعالية المعرفة مع اثنين من المهندسينيات الشائعة ومهام المعرفة المكثفة: ط) نموذج بيرت يتم ضبطه بشكل جيد لفحص الحقائق، والثاني) نموذج بارت تسلسل إلى تسلسل للرد على السؤال. من خلال طريقتنا، يميل تغيير التنبؤ بشأن الصياغة المحددة لاستعلامه إلى تغيير متسق في التنبؤ أيضا بصيادتها. نظرا لأن هذا يمكن تشجيعه بشكل أكبر من خلال استغلال الصياغة (على سبيل المثال، التي تم إنشاؤها تلقائيا) أثناء التدريب. ومن المثير للاهتمام، أن شبكة فرط لدينا يمكن اعتبارها مسبار "تكشف عن مكونات يجب تغييرها لمعالجة المعرفة الواقعية؛ يوضح تحليلنا أن التحديثات تميل إلى التركيز على مجموعة فرعية صغيرة من المكونات. شفرة المصدر المتاحة في https://github.com/nicola-decao/knowegleditor
تعد التطبيع المعجمي، بالإضافة إلى تقسيم الكلمات وعلامات جزء من الكلام، مهمة أساسية لمعالجة النصية اليابانية التي أنشأها المستخدم.في هذه الورقة، نقترح نموذج تحرير النصوص لحل المهمة الثلاثة المشتركة وطرق توليد البيانات المسمى Pseudo للتغلب على مشكلة نق
ص البيانات.أظهرت تجاربنا أن النموذج المقترح حقق أداء تطبيع أفضل عند التدريب على بيانات أكثر تنوعا المصممة بالقطرات.
تقدم هذه الورقة بيانات عن تصورات تدريب المتدربين في عملية MTPE وآثار التدريب على التدريب في هذا المجال.تهدف هذه الدراسة إلى تحليل أداء المتدربين في ثلاثة مهام MTPE الزوجية باللغة الإنجليزية البولندية ومقابلات ما بعد المهام لتحديد الحاجة إلى تعزيز مها
رات تحرير الترجمة الآلية في تثقيف طلاب الترجمة.نظرا لأن القليل جدا من المعلومات المتعلقة بتدريب MTPE متاح، فقد يتم العثور على هذه الدراسة مفيدة.
تبنت تكنولوجيا اللغة بالفعل إلى حد كبير من قبل معظم مزودي خدمات اللغة (LSPs) ومدمج في عمليات الترجمة التقليدية. في هذا السياق، هناك العديد من الأساليب المختلفة لتطبيق النصوص بعد التحرير (PE) من نص مترجمة النص، بما في ذلك عمليات سير عمل مختلفة وخطوات
يمكن أن تكون فعالة أكثر أو أقل فعالية ومواتية. في هذه الورقة، نقترح سير عمل بعد تحرير ثلاث خطوات (PEW). الرسم من Insight Insight، تهدف هذه الورقة إلى توفير إطار أساسي ل LSPs و Post-Editers حول كيفية تبسيط سير عمل ما بعد التحرير من أجل تحسين الجودة، وتحقيق ربحية أعلى وعودة أفضل على الاستثمار وتوحيد العمليات الداخلية من حيث جهود الإدارة واللغوية عندما يتعلق الأمر بخدمات PE. نقول أن PEW شامل يتكون في ثلاث مهام أساسية: عمليات تقييم ما قبل التحرير والتحرير بعد التحرير والترجمة التوضيحي (MT) (GUERRERO، 2018) المدعومة من ثلاثة أدوار أساسية: ما قبل المحرر، ما بعد المحرر والانجيلي ( جين، 2020). علاوة على ذلك، توضح الورقة المرسلة مسبقة التحديات التدريبية الناشئة عن هذه PEW، التي تدعمها نتائج البحوث التجريبية، على النحو الوارد في مسح رقمي بين المهنيين في مجال صناعة اللغة (الجينات، 2020)، التي أجريت في سياق ندوة الويب بعد التحرير وبعد تتألف عينة من 51 ممثلا لممثلي LSPs و 12 ممثلين عن ممثلي SLV (بائعي اللغة الفردي).
على الرغم من نوعية جيدة بشكل جيد لأنظمة الترجمة الآلية (MT)، تتطلب مخرجات MT تصحيحات. تم تقديم نماذج ما بعد التحرير التلقائي (APE) لأداء هذه التصحيحات دون تدخل بشري. ومع ذلك، لا يتمكن أي نظام من أتمتة عملية التحرير بالكامل (PE). علاوة على ذلك، في حين
أن العديد من أدوات الترجمة، مثل ذكريات الترجمة (TMS)، فإن الاستفادة إلى حد كبير من مدخلات المترجمين، لا يزال تفاعل الإنسان (HCI) محدودا عندما يتعلق الأمر ب PE. تناقش هذه الورقة المحرز في مجال البحث نماذج القرد وتقترح أنها يمكن تحسينها في سيناريوهات تفاعلية أكثر، كما فعلت سابقا في MT مع إنشاء أنظمة MT (IMT) التفاعلية. بناء على الفرضية التي ستستفيد PE من HCI، يتم اقتراح منهجيتين. كلاهما يشير إلى أن إعدادات التعلم الدفاعية التقليدية ليست الأمثل لل PE. بدلا من ذلك، يوصى بتدريب التقنيات عبر الإنترنت لتدريب وتحديث نماذج PE على الطاير، عبر التفاعلات الحقيقية أو المحاكاة مع المترجم.
نموذج سائد في جيل النص العصبي هو جيل واحد لقطة واحدة، حيث يتم إنتاج النص في خطوة واحدة.ومع ذلك، فإن إعداد طلقة من طلقة غير كافية عندما تكون القيود التي يرغب المستخدم في فرضها على النص الذي تم إنشاؤه ديناميكية، خاصة عند تأليف مستندات أطول.نحن نتطلع إل
ى هذا القيد مع إعداد جيل نص تفاعلي يتفاعل فيه المستخدم مع النظام عن طريق إصدار الأوامر لتعديل النص الموجود.تحقيقا لهذه الغاية، نقترح مهمة تحرير نصية جديدة، وإدخال Wikidocedits، ومجموعة بيانات تحرير جملة واحدة من Wikipedia.نظرا لأن محررنا التفاعلي، وهو نموذج يستند إلى المحولات التي تم تدريبها على مجموعة البيانات هذه، تتفوق على خطوط الأساس والحصول على نتائج إيجابية في كل من التقييمات التلقائية والإنسانية.نقدم تحليلات تجريبية ونوعية لأداء هذا النموذج.
يرصد البحث تاريخياً البداية الحقيقية لأفلام الرسوم المتحركة التجريبية و أهم اتجاهاتها ، كما يستعرض البحث أهم الرواد الذين أسهموا في انطلاقة الرسوم المتحركة التجريبية التجريدية في أوروبا و الولايات المتحدة الأمريكية ؛أمثال ليوبولد سوريفاج و فايكنغ إيغ
لنغ و هانز ريشتر... و أهم الأعمال و التقنيات التي قدموها ، ثم ينتقل البحث بعد ذلك إلى أهم رواد المدرسة التصويرية (التشخيصية ) في أوروبا أمثال لوت رينيغر و بيرتولد بارتوش و ألكسندر ألكسييف .
ثم ينتقل البحث بعد ذلك و يستعرض الاتجاه التجريبي المعاصر الذي بدأ في خمسينات القرن الماضي و لا يزال مستمراً حتى وقتنا الحاضر ، حيث قدم هذا الاتجاه تجارب و أسماء مهمة و مفصلية في تاريخ الرسوم المتحركة ؛ أمثال والت ديزني و إيفان فانو و أوسامو تيزوكا ونورمان ماكلارن و جون هالاس ، و الذين حددوا مستقبل الرسوم المتحركة ، حيث أضاء البحث على أهمية كل من التجارب السابقة و التوجه المستقبلي لأفلام الرسوم المتحركة .
