线性时间MBR解码：用聚合参考近似成对指标
热点事件持续更新
线性时间MBR解码：用聚合参考近似成对指标
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Jannis Vamvas 和 Rico Sennrich 提出一种线性时间的最小贝叶斯风险（MBR）解码方法：用与聚合参考表示计算的分数近似成对指标分数，把效用估计的复杂度从 O(n²) 降到 O(n)。作者称，实验显示该方法保留了 MBR 解码的大部分质量增益，且不再需要成对计算效用指标。 该方法仍基于采样近似，并非精确计算。源代码已公开，论文发表于 ACL 2024。
AI 根据报道生成 · 52 分钟前更新
最新进展11月11日 13:00
基于参考聚合的线性时间最小贝叶斯风险解码报道时间线
沿着报道，了解事件的不同侧面。
11月11日
- arXiv cs.CL基于参考聚合的线性时间最小贝叶斯风险解码
该论文提出用与聚合参考表示计算的分数近似成对指标分数，将最小贝叶斯风险（MBR）解码的效用估计复杂度从 O(n²) 降至 O(n)，同时实验上保留了 MBR 解码的大部分质量增益。该方法仍基于采样近似，但不再需要成对计算效用指标。源代码已公开，论文发表于 ACL 2024。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。