@inproceedings{do-etal-2015-apprentissage,
title = "Apprentissage discriminant des mod{\`e}les continus de traduction",
author = "Do, Quoc-Khanh and
Allauzen, Alexandre and
Yvon, Fran{\c{c}}ois",
editor = "Lecarpentier, Jean-Marc and
Lucas, Nadine",
booktitle = "Actes de la 22e conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Articles longs",
month = jun,
year = "2015",
address = "Caen, France",
publisher = "ATALA",
url = "https://aclanthology.org/2015.jeptalnrecital-long.23/",
pages = "267--278",
abstract = "Alors que les r{\'e}seaux neuronaux occupent une place de plus en plus importante dans le traitement automatique des langues, les m{\'e}thodes d`apprentissage actuelles utilisent pour la plupart des crit{\`e}res qui sont d{\'e}corr{\'e}l{\'e}s de l`application. Cet article propose un nouveau cadre d`apprentissage discriminant pour l`estimation des mod{\`e}les continus de traduction. Ce cadre s`appuie sur la d{\'e}finition d`un crit{\`e}re d`optimisation permettant de prendre en compte d`une part la m{\'e}trique utilis{\'e}e pour l'{\'e}valuation de la traduction et d`autre part l`int{\'e}gration de ces mod{\`e}les au sein des syst{\`e}mes de traduction automatique. De plus, cette m{\'e}thode d`apprentissage est compar{\'e}e aux crit{\`e}res existants d`estimation que sont le maximum de vraisemblance et l`estimation contrastive bruit{\'e}e. Les exp{\'e}riences men{\'e}es sur la t{\^a}ches de traduction des s{\'e}minaires TED Talks de l`anglais vers le fran{\c{c}}ais montrent la pertinence d`un cadre discriminant d`apprentissage, dont les performances restent toutefois tr{\`e}s d{\'e}pendantes du choix d`une strat{\'e}gie d`initialisation idoine. Nous montrons qu`avec une initialisation judicieuse des gains significatifs en termes de scores BLEU peuvent {\^e}tre obtenus."
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="do-etal-2015-apprentissage">
<titleInfo>
<title>Apprentissage discriminant des modèles continus de traduction</title>
</titleInfo>
<name type="personal">
<namePart type="given">Quoc-Khanh</namePart>
<namePart type="family">Do</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Alexandre</namePart>
<namePart type="family">Allauzen</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">François</namePart>
<namePart type="family">Yvon</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2015-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 22e conférence sur le Traitement Automatique des Langues Naturelles. Articles longs</title>
</titleInfo>
<name type="personal">
<namePart type="given">Jean-Marc</namePart>
<namePart type="family">Lecarpentier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Nadine</namePart>
<namePart type="family">Lucas</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Caen, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Alors que les réseaux neuronaux occupent une place de plus en plus importante dans le traitement automatique des langues, les méthodes d‘apprentissage actuelles utilisent pour la plupart des critères qui sont décorrélés de l‘application. Cet article propose un nouveau cadre d‘apprentissage discriminant pour l‘estimation des modèles continus de traduction. Ce cadre s‘appuie sur la définition d‘un critère d‘optimisation permettant de prendre en compte d‘une part la métrique utilisée pour l’évaluation de la traduction et d‘autre part l‘intégration de ces modèles au sein des systèmes de traduction automatique. De plus, cette méthode d‘apprentissage est comparée aux critères existants d‘estimation que sont le maximum de vraisemblance et l‘estimation contrastive bruitée. Les expériences menées sur la tâches de traduction des séminaires TED Talks de l‘anglais vers le français montrent la pertinence d‘un cadre discriminant d‘apprentissage, dont les performances restent toutefois très dépendantes du choix d‘une stratégie d‘initialisation idoine. Nous montrons qu‘avec une initialisation judicieuse des gains significatifs en termes de scores BLEU peuvent être obtenus.</abstract>
<identifier type="citekey">do-etal-2015-apprentissage</identifier>
<location>
<url>https://aclanthology.org/2015.jeptalnrecital-long.23/</url>
</location>
<part>
<date>2015-06</date>
<extent unit="page">
<start>267</start>
<end>278</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Apprentissage discriminant des modèles continus de traduction
%A Do, Quoc-Khanh
%A Allauzen, Alexandre
%A Yvon, François
%Y Lecarpentier, Jean-Marc
%Y Lucas, Nadine
%S Actes de la 22e conférence sur le Traitement Automatique des Langues Naturelles. Articles longs
%D 2015
%8 June
%I ATALA
%C Caen, France
%F do-etal-2015-apprentissage
%X Alors que les réseaux neuronaux occupent une place de plus en plus importante dans le traitement automatique des langues, les méthodes d‘apprentissage actuelles utilisent pour la plupart des critères qui sont décorrélés de l‘application. Cet article propose un nouveau cadre d‘apprentissage discriminant pour l‘estimation des modèles continus de traduction. Ce cadre s‘appuie sur la définition d‘un critère d‘optimisation permettant de prendre en compte d‘une part la métrique utilisée pour l’évaluation de la traduction et d‘autre part l‘intégration de ces modèles au sein des systèmes de traduction automatique. De plus, cette méthode d‘apprentissage est comparée aux critères existants d‘estimation que sont le maximum de vraisemblance et l‘estimation contrastive bruitée. Les expériences menées sur la tâches de traduction des séminaires TED Talks de l‘anglais vers le français montrent la pertinence d‘un cadre discriminant d‘apprentissage, dont les performances restent toutefois très dépendantes du choix d‘une stratégie d‘initialisation idoine. Nous montrons qu‘avec une initialisation judicieuse des gains significatifs en termes de scores BLEU peuvent être obtenus.
%U https://aclanthology.org/2015.jeptalnrecital-long.23/
%P 267-278
Markdown (Informal)
[Apprentissage discriminant des modèles continus de traduction](https://aclanthology.org/2015.jeptalnrecital-long.23/) (Do et al., JEP/TALN/RECITAL 2015)
ACL