研究人员引入了一种新颖的噪声信道分解方法用于最小贝叶斯风险（MBR）解码，旨在提高文本生成质量。该方法通过自然地结合假设与参考之间的双向效应，解决了BLEU和COMET等常见评估指标中的不对称性问题。该分解将MBR解码分解为四个相互作用的组成部分：假设到参考的似然度、参考到假设的似然度、假设的先验和参考的先验。该框架提供了对现有MBR变体的统一解释，并通过分离每个信道的贡献，实现了指标和任务特定的可解释性。 AI
影响 这项研究通过改进解码策略，有望在各种自然语言处理任务中实现更鲁棒、更高质量的文本生成。
排序理由 该集群包含一篇详细介绍自然语言处理中新解码方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.05198v1 Announce Type: cross Abstract: Minimum Bayes Risk (MBR) decoding yields more robust and higher-quality text generation than maximum a posteriori (MAP) decoding by selecting hypotheses that maximize expected utility over sampled pseudo-references. However, there…
Minimum Bayes Risk (MBR) decoding yields more robust and higher-quality text generation than maximum a posteriori (MAP) decoding by selecting hypotheses that maximize expected utility over sampled pseudo-references. However, there exists a discrepancy in the design: hypothesis se…