Domain-Anpassung ist ein altes und \u00e4rgerliches Problem f\u00fcr maschinelle \u00dcbersetzungssysteme. Der g\u00e4ngigste und erfolgreichste Ansatz zur \u00fcberwachten Anpassung ist die Feinabstimmung eines Basissystems mit dom\u00e4neninternen Paralleldaten. Die Standardfeinabstimmung \u00e4ndert jedoch alle Netzwerkparameter, was diesen Ansatz rechnerisch kostspielig und anf\u00e4llig f\u00fcr \u00dcberanpassungen macht. Stattdessen wird ein Basismodell durch einen neueren, einfachen Ansatz mit zus\u00e4tzlichen (kleinen) Adapterebenen erg\u00e4nzt, sodass der Rest des Modus unver\u00e4ndert bleibt. Dies hat den zus\u00e4tzlichen Vorteil, dass das Basismodell intakt bleibt und an mehrere Dom\u00e4nen angepasst werden kann. In diesem Dokument f\u00fchren wir eine gr\u00fcndliche Analyse des Adaptermodells im Kontext einer multidom\u00e4nenbasierten maschinellen \u00dcbersetzungsaufgabe durch. Wir stellen mehrere Implementierungen dieser Idee auf zwei Sprachpaaren gegen\u00fcber. Unsere wichtigsten Schlussfolgerungen sind, dass residuale Adapter eine schnelle und kosteng\u00fcnstige Methode f\u00fcr die \u00fcberwachte Multi-Domain-Anpassung bieten; unsere beiden Varianten erweisen sich als genauso effektiv wie das urspr\u00fcngliche Adaptermodell und \u00f6ffnen die Perspektive, um auch angepasste Modelle robuster zu machen, um Domain-Fehler zu kennzeichnen.<\/p>","protected":false},"excerpt":{"rendered":"
Domain-Anpassung ist ein altes und \u00e4rgerliches Problem f\u00fcr maschinelle \u00dcbersetzungs-Systeme. Der h\u00e4ufigste Ansatz und erfolgreichste Ansatz f\u00fcr die \u00fcberwachte Anpassung ist die Feinabstimmung eines Basissystems mit in-dom\u00e4nenparallelen Daten. Durch die standardm\u00e4\u00dfige Feinabstimmung werden jedoch alle Netzwerkparameter ge\u00e4ndert, sodass dieser Ansatz rechnerisch aufw\u00e4ndig und anf\u00e4llig f\u00fcr \u00dcberanpassung ist. Ein moderner, schlanker Ansatz erg\u00e4nzt stattdessen ... Fortsetzung<\/a><\/p>","protected":false},"featured_media":0,"template":"","class_list":["post-3156","paper","type-paper","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/paper\/3156","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/paper"}],"about":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/types\/paper"}],"wp:attachment":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/media?parent=3156"}],"curies":[{"name":"WP","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}