AAMT長尾賞

ニューラル機械翻訳(NMT)は従来の統計機械翻訳(SMT)に比べ非常に高い翻訳精度を実現するが、大規模語彙を扱うことが難しく、語彙制限による未知語問題が知られている。未知語問題を解決する従来手法は存在するが、いずれも単語や部分単語に対する未知語処理であり、複合語を含むフレーズには対応してこなかった。本論文は、NMTにおける未知語の問題に対して、SMTのフレーズ間対応を用いることでフレーズ対応の未知語処理を行う手法を提案したものである。特許翻訳を対象とした実験において、従来の未知語処理手法よりも高い翻訳精度を実現し、さらに訳抜けを約30%低減できることを報告しており、実用性・有用性の高い手法であると考えられる。以上の理由から、長尾賞学生奨励賞にふさわしい研究内容と判断した。

本論文は、連続的な潜在変数を用いた変分オートエンコーダに基づく非自己回帰的機械翻訳、離散的な量子化に深層学習を用いた単語分散表現の圧縮、構文・意味的な特徴の離散的な符号化に基づく多様な訳文生成という3つの研究内容について「構造を考慮する潜在変数モデル」を主題としてまとめた博士論文である。それぞれの研究は、ニューラル機械翻訳の高速化、軽量化、文体制御に関する独創的かつ有用性の高い手法を提案しており、これまでに自然言語処理および人工知能分野の難関国際会議に採択されて学術的に高い評価を得るとともに、今後の実用的な発展が大いに期待できる。以上の理由から、長尾賞学生奨励賞にふさわしい研究内容と判断した。