[机器翻译] 21.7 mRASP2

173****5160

Contrastive Learning for Many-to-many Multilingual Neural Machine Translation
github:

摘要：

现有的多语言模型聚焦于英语为中心的翻译，而非英语的方向远远落后。本文旨在一个多对多翻译系统，重点是非英语语言方向的质量。基于这样一个假设:通用的跨语言表示会导致更好的多语言翻译性能。为此提出了一种训练方法mRASP2，以获得单一统一的多语言翻译模型。mRASP2的核心在于如下两点：

通过对比学习拉近多语言表示对齐语义空间
同时使用平行和单语语料进行对齐增强

结论：

对比学习确实能提升零资源翻译
使用单语数据，所有翻译方向上都取得了实质性的改进。
分析并可视化了本文方法，对比学习确实能够拉近不同语言语义的表征
未来打算使用更大数据集训练模型PC150

方法：

1.损失函数

损失为交叉熵Lce和对比损失Lctr的加权和,|s|是平均句子长度，因为Lce是词级别的，而Lctr是序列级别的，两者有比例关系，因此要乘上平均句子长度。

xi,xj是平行语料。Lce计算常规decoder输出和label的交叉熵，旨在让解码器输出分布与真实分布一致。

而对比损失Lctr为了拉近语义空间中跨语言同义词的表征距离，并且拉远非同义词表征的距离。具体为：以某个样本点的源端向量表示为锚点，以该样本目标端的向量表征为正样本（过encoder），以同一个batch中其他样本点的目标端句子向量表示为负样本，最小化锚点和正样本的距离，最大化锚点和所以负样本的距离。

其中距离使用的是余弦距离，分子是锚点和正例的距离，分母是所有负例和锚点的距离和，通过最小化Lctr就能达到拉近同义词表征、拉远非同义词表征的目的。