KI News: Kurz und klar.

In der Forschung zu Sign Language Translation (SLT) werden bislang fast ausschließlich einzelne schriftsprachliche Referenzen zu jeder Gebärdensprache verwendet. Doch die Beziehung zwischen Gebärde und gesprochener Sprache ist nicht eindeutig, sodass mehrere Übersetzungen gleichermaßen korrekt sein können. Dieses Problem limitiert sowohl das Training als auch die Bewertung von SLT‑Modellen, insbesondere bei n‑gram‑basierten Metriken wie BLEU.

Ein neu veröffentlichter Ansatz nutzt die Transformer-Architektur, um neuronale Netzwerke für maschinelle Übersetzung systematisch zu optimieren. Dabei werden verschiedene Kombinationen von Encoder- und Decoder‑Köpfen untersucht, um die effizienteste Multi‑Head‑Attention‑Struktur zu finden.