六、对结果的剖析

BLEU为机器翻译结果与人工翻译结果对比值（纵坐标应为%，作者遗记标注，下同）。可能看到随着文本中退出噪声的比例添加，机器翻译的结果快速降落。

三、数据

2、黑箱对抗训练

4）只要用Nat数据集来训练，能力提高Nat数据集测试的鲁棒性。这个结果表明了计算模型和人类的体现之间的一个重要区别——在学习言语时，人类并没有明白地裸露在噪声样本中。

如作者所说：“咱们的目标有二：

发现：

作者首先测试了用洁净（Vanilla）文本训练出的模型能否可以经受住噪声的考验。

作者抉择了三种不同的神经机器翻译（NMT）模型以做对比，分别为：

七、总结

让咱们用Rand+key+Nat的charCNN模型来翻译一下前面那个凌乱的德语翻译吧：

以色列警方此刻正监管网络来找一群称为“lone-wolf”的恐惧分子，所以立马就留意到了这条形状。

五、两种方法改进模型2、meanChar模型

从上面的结果可能看出，多种噪声同时训练charCNN的模型的鲁棒性更好。But why？

输入文本是乱七八糟的德语文本，但人类翻译仍然可以根据文本猜测到意思，而目前几个优良的机器翻译模型则体现很差。

四、洁净文本训练翻译模型

一、噪声对机器翻译影响有多大？