번역문 사후교정을 위한 교차언어 모델 기반의 전이학습

Q: 이 논문에서 정의한 번역문 사후 교정이란 무엇인가?

기계 번역 시스템이 생성한 번역문의 오류를 자동으로 교정하여 전체적인 번역 품질을 향상시키는 연구 분야를 의미한다. 이는 기계 번역의 한계를 보완하기 위해 자동화된 교정 프로세스를 적용하여 최종 출력물의 정확도를 높이는 것을 목적으로 한다.

Q: 번역문 사후 교정 성능 향상을 위해 TLM 도입이 어떤 영향을 미치는가?

연구 결과, TLM을 도입하여 교차 언어적 표현 학습을 강화한 모델이 MLM만을 사용한 모델보다 번역문 사후 교정 성능이 더 높게 나타났다. 따라서 교차 언어 모델 기반의 전이 학습이 사후 교정 시스템의 효율성을 높이는 데 효과적이다.

이지형; 이원기; 김영길; 이종혁

학술대회자료

저자정보: 이지형 (포항공과대학교) 이원기 (포항공과대학교) 김영길 (한국전자통신연구원) 이종혁 (포항공과대학교)

저널정보: Korean Institute of Information Scientists and Engineers 한국정보과학회 학술발표논문집 한국정보과학회 2020 한국컴퓨터종합학술대회 논문집

오류 신고하기

피인용 0

검색

초록·키워드

번역문 사후 교정은 기계 번역 시스템이 생성한 문장을 교정하여 더 나은 번역문을 만들어내는 연구로 써, 기계 번역 시스템의 번역 품질을 향상하기 위해 제안되었다. 본 연구에서는 번역문 사후 교정 시스템 에 교차언어 모델(cross-lingual language model) 기반의 전이학습 ( ... 전체 초록 보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료