Atnaujinkite slapukų nuostatas

El. knyga: Joint Training for Neural Machine Translation

  • Formatas: EPUB+DRM
  • Serija: Springer Theses
  • Išleidimo metai: 26-Aug-2019
  • Leidėjas: Springer Verlag, Singapore
  • Kalba: eng
  • ISBN-13: 9789813297487
Kitos knygos pagal šią temą:
Joint Training for Neural Machine TranslationDidesnis paveikslėlis
  • Formatas: EPUB+DRM
  • Serija: Springer Theses
  • Išleidimo metai: 26-Aug-2019
  • Leidėjas: Springer Verlag, Singapore
  • Kalba: eng
  • ISBN-13: 9789813297487
Kitos knygos pagal šią temą:

DRM apribojimai

  • Kopijuoti:

    neleidžiama

  • Spausdinti:

    neleidžiama

  • El. knygos naudojimas:

    Skaitmeninių teisių valdymas (DRM)
    Leidykla pateikė šią knygą šifruota forma, o tai reiškia, kad norint ją atrakinti ir perskaityti reikia įdiegti nemokamą programinę įrangą. Norint skaityti šią el. knygą, turite susikurti Adobe ID . Daugiau informacijos  čia. El. knygą galima atsisiųsti į 6 įrenginius (vienas vartotojas su tuo pačiu Adobe ID).

    Reikalinga programinė įranga
    Norint skaityti šią el. knygą mobiliajame įrenginyje (telefone ar planšetiniame kompiuteryje), turite įdiegti šią nemokamą programėlę: PocketBook Reader (iOS / Android)

    Norint skaityti šią el. knygą asmeniniame arba „Mac“ kompiuteryje, Jums reikalinga  Adobe Digital Editions “ (tai nemokama programa, specialiai sukurta el. knygoms. Tai nėra tas pats, kas „Adobe Reader“, kurią tikriausiai jau turite savo kompiuteryje.)

    Negalite skaityti šios el. knygos naudodami „Amazon Kindle“.

This book presents four approaches to jointly training bidirectional neural machine translation (NMT) models. First, in order to improve the accuracy of the attention mechanism, it proposes an agreement-based joint training approach to help the two complementary models agree on word alignment matrices for the same training data. Second, it presents a semi-supervised approach that uses an autoencoder to reconstruct monolingual corpora, so as to incorporate these corpora into neural machine translation. It then introduces a joint training algorithm for pivot-based neural machine translation, which can be used to mitigate the data scarcity problem. Lastly it describes an end-to-end bidirectional NMT model to connect the source-to-target and target-to-source translation models, allowing the interaction of parameters between these two directional models.

1. Introduction.- 2. Neural Machine Translation.-
3. Agreement-based
Joint Training for Bidirectional Attention-based Neural Machine Translation.-
4. Semi-supervised Learning for Neural Machine Translation.-
5. Joint
Training for Pivot-based Neural Machine Translation.-
6. Joint Modeling for
Bidirectional Neural Machine Translation with Contrastive Learning.-
7.
Related Work.-
8. Conclusion.
Yong Cheng is currently a software engineer engaged in research at Google. Before joining Google, he worked as a senior researcher at Tencent AI Lab. He obtained his Ph.D. from the Institute for Interdisciplinary Information Sciences (IIIS) at Tsinghua University in 2017. His research interests focus on neural machine translation and natural language processing.
Daugiau apie elektronines knygas Daugiau apie elektronines knygas
Pastovi nuoroda: https://www.kriso.lt/db/97898132974876e.html