@inproceedings{bouthors-etal-2024-optimiser,
    title = "Optimiser le choix des exemples pour la traduction automatique augment{\'e}e par des m{\'e}moires de traduction",
    author = "Bouthors, Maxime  and
      Crego, Josep  and
      Yvon, Fran{\c{c}}ois",
    editor = "Balaguer, Mathieu  and
      Bendahman, Nihed  and
      Ho-dac, Lydia-Mai  and
      Mauclair, Julie  and
      G Moreno, Jose  and
      Pinquier, Julien",
    booktitle = "Actes de la 31{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position",
    month = "7",
    year = "2024",
    address = "Toulouse, France",
    publisher = "ATALA and AFPC",
    url = "https://preview.aclanthology.org/fix-sig-urls/2024.jeptalnrecital-taln.39/",
    pages = "582--604",
    language = "fra",
    abstract = "La traduction neuronale {\`a} partir d{'}exemples s{'}appuie sur l{'}exploitation d{'}une m{\'e}moire de traduction contenant des exemples similaires aux phrases {\`a} traduire. Ces exemples sont utilis{\'e}s pour conditionner les pr{\'e}dictions d{'}un d{\'e}codeur neuronal. Nous nous int{\'e}ressons {\`a} l{'}am{\'e}lioration du syst{\`e}me qui effectue l'{\'e}tape de recherche des phrases similaires, l{'}architecture du d{\'e}codeur neuronal {\'e}tant fix{\'e}e et reposant ici sur un mod{\`e}le explicite d'{\'e}dition, le Transformeur multi-Levenshtein. Le probl{\`e}me consid{\'e}r{\'e} consiste {\`a} trouver un ensemble optimal d{'}exemples similaires, c{'}est-{\`a}-dire qui couvre maximalement la phrase source. En nous appuyant sur la th{\'e}orie des fonctions sous-modulaires, nous explorons de nouveaux algorithmes pour optimiser cette couverture et {\'e}valuons les am{\'e}liorations de performances auxquels ils m{\`e}nent pour la t{\^a}che de traduction automatique."
}