-
题名一种考虑对齐不一致的短语翻译概率估计方法
- 1
-
-
作者
苏劲松
刘群
吕雅娟
-
机构
中国科学院计算技术研究所智能信息处理重点实验室
中国科学院研究生院
-
出处
《中文信息学报》
CSCD
北大核心
2011年第3期118-122,共5页
-
基金
国家自然科学基金重点资助项目(60736014
60873167)
-
文摘
在统计机器翻译中,短语翻译概率特征对最终的翻译结果有着重大的影响。传统的估计方法只考虑了双语短语同时出现,满足对齐一致性的情况,而没有对其他情况进行统计,因而短语翻译概率的估计不够准确。该文中,我们修改了传统的短语概率计算公式,在估计概率的过程中充分地考虑短语的各种出现情况。多个测试集上的实验结果证明了我们方法的有效性。
-
关键词
统计机器翻译
对齐不一致
短语翻译概率
-
Keywords
statistical machine translation
alignment unconsistency
phrase translation probability
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名可靠多模态学习综述
被引量：13
- 2
-
-
作者
杨杨
詹德川
姜远
熊辉
-
机构
南京理工大学计算机科学与工程学院
计算机软件新技术国家重点实验室(南京大学)
Rutgers Business School
-
出处
《软件学报》
EI
CSCD
北大核心
2021年第4期1067-1081,共15页
-
基金
国家自然科学基金(61673201,62006118,61773198,61632004)
江苏省自然科学基金(BK20200460)
+1 种基金
CCF-百度松果基金(CCF-BAIDU OF2020011)
百度TIC项目基金。
-
文摘
近年来,多模态学习逐步成为机器学习、数据挖掘领域的研究热点之一,并成功地应用于诸多现实场景中,如跨媒介搜索、多语言处理、辅助信息点击率预估等.传统多模态学习方法通常利用模态间的一致性或互补性设计相应的损失函数或正则化项进行联合训练,进而提升单模态及集成的性能.而在开放环境下,受数据缺失及噪声等因素的影响,多模态数据呈现不均衡性.具体表现为单模态信息不充分或缺失,从而导致"模态表示强弱不一致""模态对齐关联不一致"两大挑战,而针对不均衡多模态数据直接利用传统的多模态方法甚至会退化单模态和集成的性能.针对这类问题,可靠多模态学习被提出并进行了广泛研究,系统地总结和分析了目前国内外学者针对可靠多模态学习取得的进展,并对未来研究可能面临的挑战进行展望.
-
关键词
不均衡多模态数据
模态表示强弱不一致
模态对齐关联不一致
可靠多模态学习
-
Keywords
imbalanced multi-modal data
inconsistent modal feature representations
inconsistent modal alignment relationships
reliable multi-modal learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
