神经机器翻译虽然实现了极佳的性能，然而在实际应用场合却依然面临鲁棒性薄弱的弊病。不同于收集坏样例标注分析，近年来针对机器翻译系统产生对抗样本日益成为探索、强化其鲁棒性的主流途径。本期论坛我们邀请到了来自南京大学的邹威同学，他使用强化学习的方式，针对机器翻译系统生成对抗样本，并探索了基于此方案强化机器翻译鲁棒性的方式。

讲者介绍

邹威：南京大学计算机科学与技术在读博士，主要研究方向为机器翻译、强化学习。

报告题目：通过强化学习为神经机器翻译生成对抗样本

报告摘要：现有的文本对抗样本的生成方法低效、难以保证语义一致，且受限于自然语言的离散性和人工规则建模错误类型。本工作从不同已有工作的视角，将针对机器翻译系统生成对抗样本建模为“受限的马尔可夫决策过程”，并使用强化学习和对抗学习技术建模学习。我们的方法免除了传统对抗样本生成对人工规则的依赖，并直接通过指标的劣化寻找系统对抗样本。在达成传统方法已有的攻击性能的前提下，此方法极大程度提升了对抗样本的语义质量和生成速度。除此，我们还基于该生成方案初步探索了强化机器翻译鲁棒性的可能途径。

Spotlight：

1、将针对机器翻译系统生成对抗样本建模为“受限的马尔可夫决策过程”，并针对具体指标的劣化，不依赖人工规则建模错误特征，生成对抗样本。

2、使用对抗学习建模无监督语义限制，保证对抗样本的语义质量。

3、本方法可以以远超基线的速度生成对抗样本，并进一步用于系统的量化分析和鲁棒性强化。

论文推荐

经典论文