Transformers très profonds pour la traduction automatique neurale

Nous explorons l'application de modèles Transformer très profonds pour la traduction automatique neurale (NMT). Grâce à une technique d'initialisation simple mais efficace, qui stabilise l'entraînement, nous démontrons qu'il est réalisable de concevoir des modèles basés sur le Transformer standard comprenant jusqu'à 60 couches d'encodeur et 12 couches de décodeur. Ces modèles profonds surpassent leurs homologues de référence à 6 couches de manière significative, avec une amélioration pouvant atteindre 2,5 BLEU, et atteignent de nouveaux résultats d'état de l'art sur les benchmarks WMT14 Anglais-Français (43,8 BLEU et 46,4 BLEU avec traduction par rétro-traduction) ainsi que WMT14 Anglais-Allemand (30,1 BLEU). Le code source et les modèles entraînés seront disponibles publiquement à l'adresse suivante : https://github.com/namisan/exdeep-nmt.