Integrating Drift-Diffusion Model with Large Language Models for Machine Translation

本文是LLM系列文章，针对《Rethinking Human-like Translation Strategy: Integrating Drift-Diffusion Model with Large Language Models for Machine Translation》的翻译。

摘要

大型语言模型（LLM）在包括机器翻译在内的各种下游任务中显示出了巨大的潜力。然而，先前关于基于LLM的机器翻译的工作主要集中在更好地利用训练数据、演示或预定义的通用知识来提高性能，而缺乏像人类翻译那样考虑决策。在本文中，我们将Thinker与漂移扩散模型（Thinker DDM）相结合来解决这个问题。然后，我们重新定义了漂移扩散过程，以模仿人类译者在资源受限的情况下的动态决策。我们使用WMT22和CommonMT数据集，在高资源、低资源和常识翻译设置下进行了广泛的实验，其中Thinker DDM在前两种情况下都优于基线。我们还对常识翻译进行了额外的分析和评估，以说明所提出的方法的高效性和有效性。

1 引言

2 前言

3 方法

4 实验

5 相关工作

6 结论和未来工作