FAIR和谷歌大脑的合作研究，专注于“反向翻译”方法

FAIR和谷歌大脑的合作研究，专注于“反向翻译”方法，用上亿合成单语句子训练NMT模型，在WMT’14 英语-德语测试集上达到35 BLEU的最优性能。论文在EMNLP 2018发表。

机器翻译依赖于大型平行语料库，即源语和目的语中成对句子的数据集。但是，双语语料是十分有限的，而单语语料更容易获得。传统上，单语语料被用于训练语言模型，大大提高了统计机器翻译的流畅性。

进展到神经机器翻译（NMT）的背景下，已经有大量的工作研究如何改进单语模型，包括语言模型融合、反向翻译（back-translation/回译）和对偶学习（dual learning）。这些方法具有不同的优点，结合起来能够达到较高的精度。

Facebook AI Research和谷歌大脑的发表的新论文Understanding Back-Translation at Scale是这个问题的最新成果。这篇论文专注于反向翻译（BT），在半监督设置中运行，其中目标语言的双语和单语数据都是可用的。

反向翻译首先在并行数据上训练一个中间系统，该系统用于将目标单语数据转换为源语言。其结果是一个平行的语料库，其中源语料是合成的机器翻译输出，而目标语料是人类编写的真实文本。

然后，将合成的平行语料添加到真实的双语语料（bitext）中，以训练将源语言转换为目标语言的最终系统。

虽然这种方法很简单，但已被证明对基于短语的翻译、NMT和无监督MT很有效。

具体到这篇论文，研究人员通过向双语语料中添加了数亿个反向翻译得到的句子，对神经机器翻译的反向翻译进行了大规模的研究。

实验基于在WMT竞赛的公共双语语料上训练的强大基线模型。该研究扩展了之前的研究(Sennrich et al. , 2016a ; Poncelas et al. , 2018) 对反译法的分析，对生成合成源句的不同方法进行了全面的分析，并证明这种选择很重要：从模型分布中采样或噪声beam输出优于单纯的beam search，在几个测试集中平均 BLEU高1.7。

作者的分析表明，基于采样或noised beam search的合成数据比基于argmax inference的合成数据提供了更强的训练信号。

文章还研究了受控设置中添加合成数据和添加真实双语数据的比较，令人惊讶的是，结果显示合成数据有时能得到与真实双语数据不相上下的准确性。

实验中，最好的设置是在WMT ’14 英语-德语测试集上，达到了35 BLEU，训练数据只使用了WMT双语语料库和2.26亿个合成的单语句子。这比在大型优质数据集上训练的DeepL系统的性能更好，提高了1.7 BLEU。在WMT ‘14英语-法语测试集上，我们的系统达到了45.6 BLEU。

合成源语句子

反向翻译通常使用beam search或greed search来生成合成源句子。这两种算法都是识别最大后验估计(MAP)输出的近似算法，即在给定输入条件下，估计概率最大的句子。Beam search通常能成功地找到高概率的输出。

然而，MAP预测可能导致翻译不够丰富，因为它总是倾向于在模棱两可的情况下选择最有可能的选项。这在具有高度不确定性的任务中尤其成问题，例如对话和说故事。我们认为这对于数据增强方案(如反向翻译)来说也是有问题的。

Beam search和greed search都集中在模型分布的头部，这会导致非常规则的合成源句子，不能正确地覆盖真正的数据分布。

作为替代方法，我们考虑从模型分布中采样，并向beam search输出添加噪声。

具体而言，我们用三种类型的噪音来转换源句子：以0.1的概率删除单词，以0.1的概率用填充符号代替单词，以及交换在token上随机排列的单词。

模型和实验结果

我们使用fairseq工具包在pytorch中重新实现了Transformer 模型。所有的实验都是基于Big Transformer 架构，它的编码器和解码器都有6个block。所有实验都使用相同的超参数。

实验结果：不同反向翻译生成方法的准确性比较

实验评估首先比较了反向翻译生成方法的准确性，并分析了结果。

图1：在不同数量的反向翻译数据上训练的模型的准确性，这些数据分别通过greedy search、beam search (k = 5)和随机采样得到。

如图1所示，sampling和beam+noise方法优于MAP方法，BLEU要高0.8-1.1。在数据量最大的设置下，sampling和beam+noise方法比bitext-only (5M)要好1.7-2 BLEU。受限采样(top10)的性能优于beam 和 greedy，但不如非受限抽样(sampling)或beam+noise。

图2：对于不同的合成数据，每个epoch的Training perplexity (PPL)。

图2显示，基于greedy或beam的合成数据与来自采样、top10、 beam+noise和bitext的数据相比更容易拟合。

表1

表1展示了更广泛的测试集的结果(newstest2013-2017)。 Sampling和beam+noise 的表现大致相同，其余实验采用sampling。

资源少 vs 资源多设置

接下来，我们模拟了一个资源缺乏的设置，以进一步尝试不同的生成方法。

图3：在80K、640K和5M句子对的bitext系统中添加来自beam search和sampling的合成数据时，BLEU的变化

图3显示，对于数据量较大的设置(640K和5.2M bitext)，sampling比beam更有效，而对于资源少的设置(80K bitext)则相反。

大规模的结果

最后，我们扩展到非常大的设置，使用多达226M的单语句子，并且与先前的研究进行了比较。

表4：WMT英语-法语翻译任务中，不同测试集上的Tokenized BLEU

表5：WMT英语-法语翻译任务中，不同测试集上的De-tokenized BLEU (sacreBLEU)

表6：WMT 英语-德语 (En-De)和英语-法语 (En-Fr)在newstest2014上的BLEU。

表7：WMT英语-德语newstest17和newstest18上的非标记、不区分大小写的sacreBLEU。

结论

反向翻译是一种非常有效的神经机器翻译数据增强技术。通过采样或在beam输出中添加噪声来生成合成源句子，比通常使用的argmax inference 具有更高的精度。

特别是，在newstest2013-2017的WMT英德翻译中，采样和加入噪声的beam比单纯beam的平均表现好1.7 BLEU。这两种方法都为资源缺乏的设置提供了更丰富的训练信号。

此外，这一研究还发现，合成数据训练的模型可以达到真实双语语料训练模型性能的83%。

最后，我们只使用公开的基准数据，在WMT ‘14英语-德语测试集上实现了35 BLEU的新的最优水平。