发布日期：2024-12-29 来源: 网络 阅读量（ ）
*阶段：使用Chinese-Braille-Full-Tone数据集作为训练的简单部分★★，让模型学习基本的翻译规则。这个数据集中的盲文包含完整的声调信息。
作者从莱比锡数据集中收集了100万个不同的中文句子★，使用中文盲文在线平台提供的工具，将收集到的中文句子转换为“全音”盲文。
而后★★★，为了模拟真实世界中盲文使用者省略声调的情况，作者识别出这些盲文中代表声调的部分★，并随机去除了其中90%的声调，创建Chinese-Braille-10per-Tone以反映现实世界中中文盲文的使用情况★★。
今年★，NeurIPS率先把AI顶会卷到了高中里，正式面向高中生征集论文★，还为此专门设置了高中生赛道（High School Projects Track）★。
缺少数据集：中文盲文翻译数据集非常稀缺，数据的采集也比较困难★★，需要耗费大量人力。
具体来说★★★，该项目基于谷歌的mT5模型，采用Curriculum Learning（课程学习）方法微调出了一个盲文翻译模型。
训练方法方面，作者使用RetinaNet来执行盲文OCR任务，将盲文图像转换为数字盲文字符。
据张铭教授介绍，吴悠在2022年高一加入她的课题组时，就提出了这个项目的想法。
详细来说，就是允许高中生们找外部导师来合作完成项目★★★，但必须把导师以及合作者的贡献，和高中生作者的贡献区分开来。
论文作者已经放出了项目Demo，效果是酱婶的★，感兴趣的小伙伴们可以戳文末链接自行测试：
提交项目必须说明完全由高中生作者独立完成的工作★★★。希望每个提交的项目都能突出显示积极的社会影响，或者使用机器学习产生积极社会影响的潜力。
该项目是在吴悠高三时完成。张铭教授透露，他目前已进入康奈尔大学就读计算机和生物医药工程专业。
实验结果显示，在验证集和测试集上，该模型的BLEU得分分别达到了62.4和62.3★，显著提高了盲文翻译的准确度。
论文致谢中提到★★★，吴悠主要是在张铭教授博士生、论文第二作者袁野的指导下完成了这项研究。
（正确答案：不过★，对于自己外向的性格，埃托奥说★★，“这就是真实的我，我不会为此改变★★。）
同音字混淆：中文中存在大量同音字，并且由于声调符号经常被省略，同音字的区分变得更加困难。
NeurIPS是今年刚设的★★“高中生赛道”，主要征集★“机器学习的社会影响★★★”方向的论文★★。
张铭，北京大学计算机学院教授，博士生导师★★，研究领域包括文本挖掘★、知识图谱、图神经网络和计算机教育研究等★★★。她合作发表的科研学术论文曾获ICML 2014*论文★★、ICDM 2022*论文提名等荣誉。Google Scholar显示，她的论文引用量接近2万，h指数为48★。
接着★★★，采用课程学习策略——即从简单到复杂地安排训练任务，分三个阶段微调了多语言Transformer模型mT5★★★：
第二阶段：使用Chinese-Braille-No-Tone数据集，让模型在没有声调信息的情况下，学会根据上下文猜测正确的中文字符。
盲文数据的特殊性：盲文通过最多三个单元格来表示每个汉字的发音，即声母、韵母和音调。但在实际使用中★，盲文使用者通常会省略大部分声调符号★，这给盲文翻译带来了挑战。
公告中还规定了，作者需要提交高中在读证明，所有补充材料均应完全由作者完成，包括视频、Demo、海报、网站或源代码★★★。
人大附中吴悠★★★，有一篇一作论文入选该赛道，还被选为了Spotlight Project。
