摘要
在海量无标注数据上进行预训练，已成为提升多种自然语言处理（NLP）任务准确率的有效方法。另一方面，传统的机器翻译长期以来通过噪声信道建模（noisy channel modeling）利用无标注数据。近期研究发现，这一思想同样能够显著提升神经机器翻译（Neural Machine Translation, NMT）的性能。然而，若将传统的噪声信道建模直接应用于现代序列到序列模型，其推理速度比其他方法慢一个数量级。为解决这一问题，本文提出高效的近似方法，使得噪声信道推理的速度与强大集成模型相当，同时进一步提升翻译准确率。此外，实验表明，该噪声信道方法在WMT罗马尼亚语-英语翻译任务上取得了新的最优性能，超越了当前先进的预训练模型结果。