Handlungs- und perzeptionsbezogenes Lernen für Statistische Maschinelle Übersetzung

• Antragsteller: Professor Dr. Stefan Riezler
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2014 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 259623987

Wir stellen einen Vorschlag zur Erforschung von handlungs- und perzeptionsbezogenem Lernen für statistische maschinelle Translation (SMT) vor. Das zentrale Konzept von Bedeutungserhaltung in maschineller Übersetzung wird im situativen Kontext eines Weltzustands definiert und evaluiert. Während das bisherige Optimierungs- und Evaluierungskriterien von translationaler Adäquatheit auf isolierten Sätzen gemessen wurde, ohne den diskursiven Kontext und den Anwendungskontext einer Übersetzung zu berücksichtigen, schlagen wir vor, Adäquatheit von Bedeutungstransfer in Bezug auf menschliche Perzeption und Handlung in konkreten Situationen zu definieren. Zum Beispiel kann als Erfolgskriterium für eine Übersetzung einer natürlichsprachlichen Anweisung gelten, dass die in der Anweisung intendierte Handlung tatsächlich erfolgt. Im Kontext von Anweisungen zu Regeln eines Spiels bedeutet dies, dass die Anweisung korrekt übersetzt wurde, wenn korrekte Spielzüge aufgrund der übersetzten Anweisung erfolgen. Im Fall der Übersetzung einer Beschreibung einer visuellen Szene, Bedeutungstransfer ist direkt an visuelle Perzeption geknüpft: Die Beschreibung kann dann als erfolgreich gelten, wenn ein monolingualer Sprecher das entsprechende Bild aus einer Menge ähnlicher Bilder identifizieren kann, und dabei lediglich die Übersetzung der Beschreibung zur Verfügung hat. Neben der Einführung des Konzepts einer anwendungsbezogenen Evaluierung von Übersetzungsqualität schlagen wir Methoden zu handlungs- und perzeptionsbezogenem Lernen von SMT Systemen vor. Die kann online erfolgen, also durch maschinelles Lernen von situativem Feedback, oder offline, also durch eine Archivierung von Daten aus situativem Feedback und Korrekturen von Übersetzungen als paralleles Korpus. Die hauptsächlichen Herausforderungen unseres Projekts stellen sich wie folgt dar:+ Bereitstellung und Popularisierung von neuen Mechanismen zur Datenerstellung für maschinelle Übersetzung in situtativem Kontext. Hier schlagen wir Gamifizierung vor, um mittels simulierten und menschlichen Spielverhaltens grosse Mengen an benutzer-generierten und benutzer-korrigierten Daten zu erhalten.+ Entwicklung von maschinellen Lernmethoden für automatisches Lernen in situativen Kontexten. Wir werden uns dabei auf Feedback-basierte Verfahren konzentrieren, denen als einziges Supervisions-Signal handlungs- und perzeptionsbezogenes Feedback in situativem Kontext zur Verfügung steht.+ Experimentation in verschiedensten Szenarios von situativem Kontext. Unser Fokus wird hier auf Spielsituationen liegen, in denen Feeback in Handlungen in Computersimulationen oder in menschliche Handlugen besteht, jeweils als Reaktion auf maschinelle Übersetzungen von Anweisungen oder Anfragen.

• DFG-Verfahren: Sachbeihilfen