La adaptaci\u00f3n del dominio es un problema antiguo y molesto para los sistemas de traducci\u00f3n autom\u00e1tica. El enfoque m\u00e1s com\u00fan y exitoso para la adaptaci\u00f3n supervisada es afinar un sistema de l\u00ednea de base con datos paralelos en el dominio. Sin embargo, el ajuste fino est\u00e1ndar modifica todos los par\u00e1metros de la red, lo que hace que este enfoque sea computacionalmente costoso y propenso al sobreajuste. Un enfoque reciente y ligero, en cambio, aumenta un modelo de l\u00ednea de base con capas de adaptador suplementarias (peque\u00f1as), manteniendo el resto del modo sin cambios. Esto tiene el m\u00e9rito adicional de dejar el modelo de referencia intacto y adaptable a m\u00faltiples dominios. En este art\u00edculo, realizamos un an\u00e1lisis exhaustivo del modelo de adaptador en el contexto de una tarea de traducci\u00f3n autom\u00e1tica multidominio. Se contrastan m\u00faltiples implementaciones de esta idea en dos pares de lenguajes. Nuestras principales conclusiones son que los adaptadores residuales proporcionan un m\u00e9todo r\u00e1pido y barato para la adaptaci\u00f3n multidominio supervisada; nuestras dos variantes demuestran ser tan efectivas como el modelo de adaptador original, y la perspectiva abierta tambi\u00e9n para hacer que los modelos adaptados sean m\u00e1s robustos para etiquetar los errores de dominio.<\/p>","protected":false},"excerpt":{"rendered":"
La adaptaci\u00f3n del dominio es un problema antiguo e inquietante para los sistemas de traducci\u00f3n autom\u00e1tica. El enfoque m\u00e1s com\u00fan y exitoso para la adaptaci\u00f3n supervisada es ajustar un sistema de referencia con datos paralelos en el dominio. Sin embargo, el ajuste fino est\u00e1ndar modifica todos los par\u00e1metros de red, lo que hace que este enfoque sea computacionalmente costoso y propenso a sobreajustes. Un enfoque reciente y ligero, en cambio, aumenta \u2026 Continuaci\u00f3n<\/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\/es\/wp-json\/wp\/v2\/paper\/3156","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.systransoft.com\/es\/wp-json\/wp\/v2\/paper"}],"about":[{"href":"https:\/\/www.systransoft.com\/es\/wp-json\/wp\/v2\/types\/paper"}],"wp:attachment":[{"href":"https:\/\/www.systransoft.com\/es\/wp-json\/wp\/v2\/media?parent=3156"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}