BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//LORIA - ECPv6.17.5//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.loria.fr
X-WR-CALDESC:Évènements pour LORIA
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20180325T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20181028T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20190331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20191027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20200329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20201025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190201T140000
DTEND;TZID=Europe/Paris:20190201T160000
DTSTAMP:20190129T150914Z
CREATED:20190128T153417Z
LAST-MODIFIED:20190129T150914Z
UID:6473-1549029600-1549036800@www.loria.fr
SUMMARY:PhD Defense : Ameur Douib
DESCRIPTION:Ameur Douib (SMarT) will defend his thesis on Friday\, February 1st at 2pm in room C005. \nHis presentation is entitled « Algorithmes Bio-inspirés pour la Traduction Automatique Statistique ». \n \n\n\n\nJurys :\n\nPr. Yves Lepage : Université de Waseda\, Japon\nPr. Violaine Prince : Université Montpellier 2\, France\nPr. Yannick Estève : Université Avignon\, France\nPr. Ammar Oulamara : Université de Lorraine\, France\nPr. Kamel Smaïli : Université de Lorraine\, France \nMCF David Langlois : Université de Lorraine\, France\n\n\n\nRésumé :\nDifférentes composantes des systèmes de traduction automatique statistique sont considérées comme des problèmes d’optimisations. En effet\, l’apprentissage du modèle de traduction\, le décodage et l’optimisation des poids de la fonction log-linéaire sont trois importants problèmes d’optimisation. Savoir définir les bons algorithmes pour les résoudre est l’une des tâches les plus importantes afin de mettre en place un système de traduction performant.\n\nPlusieurs algorithmes d’optimisation sont proposés pour traiter les problèmes d’optimisation du décodeur. Ils sont combinés pour résoudre\, d’une part\, le problème de décodage qui produit une traduction dans la langue cible d’une phrase source\, d’autre part\, le problème d’optimisation des poids des scores combinés dans la fonction log-linéaire pour d’évaluation des hypothèses de traduction au cours du décodage. Le système de traduction statistique de référence est basé sur un algorithme de recherche en faisceau pour le décodage\, et un algorithme de recherche linéaire pour l’optimisation des poids associés aux scores.\n\nNous proposons un nouveau système de traduction avec un décodeur entièrement basé sur les algorithmes génétiques. Les algorithmes génétiques sont des algorithmes d’optimisation bio-inspirés qui simulent le processus de l’évolution naturelle des espèces. Ils permettent de manipuler un ensemble de solutions à travers plusieurs itérations pour converger vers des solutions optimales. Ce travail\, nous permet d’étudier l’efficacité des algorithmes génétiques pour la traduction automatique statistique. L’originalité de notre proposition est de proposer deux algorithmes : un algorithme génétique\, appelé GAMaT\, comme décodeur pour un système de traduction statistique à base de segments\, et un algorithme génétique\, appelé GAWO\, pour l’optimisation des poids de la fonction log-linéaire afin de l’utiliser comme fonction fitness pour GAMaT. Nous proposons également\, une approche neuronale pour définir une nouvelle fonction fitness pour GAMaT. Cette approche consiste à utiliser un réseau de neurones pour l’apprentissage d’une fonction qui combine plusieurs scores\, évaluant différents aspects d’une hypothèse de traduction\, combinés auparavant dans la fonction log-linéaire\, et qui prédit le score BLEU de cette hypothèse de traduction.\n\nDans un premier temps\, nous réalisons un ensemble d’expérimentations pour étudier le comportement de nos algorithmes génétiques\, GAMaT et GAWO\, ainsi que les performances du réseau de neurones pour l’apprentissage de la fonction de prédiction du score BLEU. Par la suite\, nous évaluons les performances de traduction de notre système de traduction génétique sur deux paires de langues différentes (français-anglais et turc-anglais). GAMaT est évalué en utilisant les deux fonctions de fitness\, à savoir GAWO pour l’optimisation des poids et la fonction de prédiction du BLEU apprise par le réseau de neurones. Nous comparons également\, les performances de notre système avec celles des systèmes de référence en traduction automatique.\n\nCe travail\, nous a permis de proposer un nouveau système de traduction automatique statistique ayant un décodeur entièrement basé sur des algorithmes génétiques. Les traductions en sortie du système rivalisent avec celles des systèmes de référence\, malgré le fait que les performances de traduction sur les ensembles de test ne sont pas meilleures. La thèse propose une analyse statistique comparative des cas où chaque système donne de meilleurs résultats que les deux autres\, où notre système s’est mieux comporté que les autres dans un grand nombre de traductions. Nous avons également étudié les avantages et les limites de l’utilisation des algorithmes génétiques dans un système de TAS\, tout en proposant une analyse critique et des perspectives d’amélioration et d’adaptation de notre travail.\n*******************************************************************************************************\n\n\nEN: \n\n\n\nDifferent components of statistical machine translation systems are considered as optimization problems. Indeed\, the learning of the translation model\, the decoding and the optimization of the weights of the log-linear function are three important optimization problems. Knowing how to define the right algorithms to solve them is one of the most important tasks in order to build an efficient translation system.\n\nSeveral optimization algorithms are proposed to deal with decoder optimization problems. They are combined to solve\, on the one hand\, the decoding problem that produces a translation in the target language for each source sentence\, on the other hand\, to solve the problem of optimizing the weights of the combined scores in the log-linear function to fix the translation evaluation function during the decoding. The reference system in statistical translation is based on a beam-search algorithm for the decoding\, and a line search algorithm for optimizing the weights associated to the scores.\n\nWe propose a new statistical translation system with a decoder entirely based on genetic algorithms. Genetic algorithms are bio-inspired optimization algorithms that simulate the natural process of evolution of species. They allow to handle a set of solutions through several iterations to converge towards optimal solutions. This work allows us to study the efficiency of the genetic algorithms for machine translation. The originality of our work is the proposition of two algorithms: a genetic algorithm\, called GAMaT\, as a decoder for a phrase-based machine translation system\, and a second genetic algorithm\, called GAWO\, for optimizing the weights of the log-linear function in order to use it as a fitness function for GAMaT. We propose also\, a neuronal approach to define a new fitness function for GAMaT. This approach consists in using a neural network to learn a function that combines several scores\, which evaluate different aspects of a translation hypothesis\, previously combined in the log-linear function\, and that predicts the BLEU score of this translation hypothesis.\n\nFirst\, we carry out a set of experiments to study the behavior of our genetic algorithms\, GAMaT and GAWO\, as well as the performances of the neural network to learn the prediction function of the BLEU score. Subsequently\, we evaluate the translation performance of our genetic translation system for two pairs of different languages (French-English and Turkish-English). GAMaT is evaluated using the two fitness functions\, namely GAWO for optimizing weights and the BLEU prediction function learned by the neural network. We compare also the performance of our system with those of reference systems in machine translation.\n\nThis work allowed us to propose a new machine translation system with a decoder entirely based on genetic algorithms. The output translations of the system compete with those of the reference systems\, despite the fact that the translation performance on the test sets is not better. The thesis proposes a comparative statistical analysis of the cases where each system gives better results than the two others\, where our system has gotten done better than the other systems in a large number of translations. We also studied the benefits and limitations of using genetic algorithms in a machine translation system\, while providing critical analysis and opportunities for improvement and adaptation of our work.
URL:https://www.loria.fr/event/phd-defense-ameur-douib/
CATEGORIES:Soutenance
END:VEVENT
END:VCALENDAR