[論文レビュー] Facebook AI's WMT20 News Translation Task Submission

Peng‐Jen Chen, Ann Lee+5 more|arXiv (Cornell University)|Nov 16, 2020

Natural Language Processing Techniques被引用数 38

ひとこと要約

この論文は、Facebook AI の Transformer ベースの WMT20 提出を、低リソース言語ペアの2組（Tamil-English と Inuktitut-English）で説明し、データ拡張、事前学習、多言語トレーニング、ドメイン適応、リランキングを組み合わせて、制約あり/なしのトラックで最新の BLEU を達成した。

ABSTRACT

This paper describes Facebook AI's submission to WMT20 shared news translation task. We focus on the low resource setting and participate in two language pairs, Tamil English and Inuktitut English, where there are limited out-of-domain bitext and monolingual data. We approach the low resource problem using two main strategies, leveraging all available data and adapting the system to the target news domain. We explore techniques that leverage bitext and monolingual data from all languages, such as self-supervised model pretraining, multilingual models, data augmentation, and reranking. To better adapt the translation system to the test domain, we explore dataset tagging and fine-tuning on in-domain data. We observe that different techniques provide varied improvements based on the available data of the language pair. Based on the finding, we integrate these techniques into one training pipeline. For En->Ta, we explore an unconstrained setup with additional Tamil bitext and monolingual data and show that further improvement can be obtained. On the test set, our best submitted systems achieve 21.5 and 13.7 BLEU for Ta->En and En->Ta respectively, and 27.9 and 13.0 for Iu->En and En->Iu respectively.

研究の動機と目的

• 低リソース機械翻訳に対処するため、言語を横断するすべての利用可能データを活用する。
• 多言語前処理と微調整の有効性を調査する。
• 制約付き・制約なしデータ設定を評価して、ニュースドメインのテストセットで BLEU を最大化する。
• データセット tagging とノイズチャンネルリランキングが翻訳品質に与える影響を評価する。

提案手法

• SentencePiece つきのサブワードトークン化と fairseq ツールを用いた Transformer ベースのモデルを使用する。
• バイリンガルと多言語のベースラインを比較し、mBART の事前学習の後にバイリンガル/多言語微調整を適用する。
• アップサンプルされたビットテキストと単言語データを用いた反復バック翻訳と自己訓練を採用する。
• 検証データで最適化された前方・後方言語モデルとともにノイズチャンネルリランキングを適用する。
• 制約なしの Tamil では、 mined data と ccNet 由来の大規模単言語データを増強に取り入れる。
• データセット tagging を用いたドメイン内データで微調整し、ドメイン特有のアンサンブルで堅牢な性能を得る。

実験結果

リサーチクエスチョン

• RQ1 多言語前処理と微調整は、低リソースの Ta-En および Iu-En 翻訳において、バイリンガルのベースラインとどう比較されるか。
• RQ2 バック翻訳、自己訓練、ノイズチャンネルリランキングは、制約ありと制約なしの設定でどの程度の利得をもたらすか。
• RQ3 データセット tagging とドメイン特化の微調整は、ドメイン不一致を縮小し、ニュースドメインのテストセットで BLEU を改善できるか。
• RQ4 En→Iu は限られたターゲット側単言語データ下でどう性能するか、どの戦略が最も効果的か。
• RQ5 採掘データと大規模単言語データの利用は、制約なしの Tamil 翻訳にどのような影響を与えるか。

主な発見

Direction	BLEU（提出システム）
Ta → En	21.5
En → Ta	12.6
En → Ta (unconst.)	13.7
Iu → En	27.9
En → Iu	13.0

• 制約付き Ta→En は、newstest2020 で提出された最良のシステムを用いて最大 21.5 BLEU を達成。
• 制約付き En→Ta は提出システムで 12.6 BLEU。
• 制約付き Iu→En は 27.9 BLEU に到達する一方、制約付き設定で En→Iu は 13.0 BLEU。
• 制約なし Ta→En は newstest2020 で 21.5 BLEU を達成、追加の mined data と monolingual data、NCD および FT を併用。
• Iu→En 制約システムは Nunavut Hansard ドメインのホールドアウトで 40.2 BLEU を達成、En→Iu は 制約ドメイン特化設定で 22.0 BLEU。
• 繰り返しバック翻訳と自己訓練が全方向で最大の改善をもたらし、ノイズチャンネルリランキングが追加の改善をもたらした。特に En→Ta と Ta→En に有効。