六、對結果的剖析

BLEU為機器翻譯結果與人工翻譯結果對比值（縱坐標應為%，作者遺記標注，下同）?？赡芸吹诫S著文本中退出噪聲的比例添加，機器翻譯的結果快速降落。

三、數據

2、黑箱對抗訓練

4）只要用Nat數據集來訓練，能力提高Nat數據集測試的魯棒性。這個結果表明了計算模型和人類的體現之間的一個重要區(qū)別——在學習言語時，人類并沒有明白地裸露在噪聲樣本中。

如作者所說：“咱們的目標有二：

發(fā)現：

作者首先測試了用潔凈（Vanilla）文本訓練出的模型能否可以經受住噪聲的考驗。

作者抉擇了三種不同的神經機器翻譯（NMT）模型以做對比，分別為：

七、總結

讓咱們用Rand+key+Nat的charCNN模型來翻譯一下前面那個凌亂的德語翻譯吧：

以色列警方此刻正監(jiān)管網絡來找一群稱為“l(fā)one-wolf”的恐懼分子，所以立馬就留意到了這條形狀。

五、兩種方法改進模型2、meanChar模型

從上面的結果可能看出，多種噪聲同時訓練charCNN的模型的魯棒性更好。But why？

輸入文本是亂七八糟的德語文本，但人類翻譯仍然可以根據文本猜測到意思，而目前幾個優(yōu)良的機器翻譯模型則體現很差。

四、潔凈文本訓練翻譯模型

一、噪聲對機器翻譯影響有多大？