Maha Elbayad
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Maha Elbayad has a total of 11 co-authors. Here are the top co-authors by number of shared publications:
Laurent Besacier
Univ. Grenoble Alpes, CNRS, Grenoble INP, Inria, LIG, LJK, Grenoble, France
5 shared publicationsJakob Verbeek
Facebook AI Research, Paris, France
4 shared publicationsAntoine Caubrière
1 shared publicationBenjamin Lecouteux
1 shared publicationEmmanuelle Esperança-Rodier
1 shared publicationFethi Bougares
1 shared publication
Latest Publications
- 4 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Rethinking the Design of Sequence-to-Sequence Models for Efficient Machine Translation
Une alternative aux modèles neuronaux séquence-à-séquence pour la traduction automatique: L'apprentissage profond a permis des avancées significatives dans le domaine de la traduction automatique.La traduction automatique neuronale (NMT) s'appuie sur l'entrainement de réseaux de neurones avec un grand nombre de paramètres sur une grand quantité de données parallèles pour apprendre à traduire d'une langue à une autre.Un facteur primordial dans le succès des systèmes NMT est la capacité de concevoir des architectures puissantes et efficaces. Les systèmes de pointe sont des modèles encodeur-décodeurs qui, d'abord, encodent une séquence source sous forme de vecteurs de caractéristiques, puis décodent de façon conditionne la séquence cible.Dans cette thèse, nous remettons en question le paradigme encodeur-décodeur et préconisons de conjointement encoder la source et la cible afin que les deux séquences interagissent à des niveaux d'abstraction croissants. À cette fin, nous introduisons Pervasive Attention, un modèle basé sur des convolutions bidimensionnelles qui encodent conjointement les séquences source et cible avec des interactions qui sont omniprésentes dans le réseau neuronal.Pour améliorer l'efficacité des systèmes NMT, nous étudions la traduction automatique simultanée où la source est lue de manière incrémentielle et le décodeur est alimenté en contextes partiels afin que le modèle puisse alterner entre lecture et écriture. Nous améliorons les agents déterministes qui guident l'alternance lecture / écriture à travers un chemin de décodage rigide et introduisons de nouveaux agents dynamiques pour estimer un chemin de décodage adapté au cas-par-cas.Nous abordons également l'efficacité computationnelle des modèles NMT et affirmons qu'ajouter plus de couches à un réseau de neurones n'est pas requis pour tous les cas.Nous concevons des décodeurs Transformer qui peuvent émettre des prédictions à tout moment dotés de mécanismes d'arrêt adaptatifs pour allouer des ressources en fonction de la complexité de l'instance.
- 4 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Rethinking the Design of Sequence-to-Sequence Models for Efficient Machine Translation
Une alternative aux modèles neuronaux séquence-à-séquence pour la traduction automatique: L'apprentissage profond a permis des avancées significatives dans le domaine de la traduction automatique.La traduction automatique neuronale (NMT) s'appuie sur l'entrainement de réseaux de neurones avec un grand nombre de paramètres sur une grand quantité de données parallèles pour apprendre à traduire d'une langue à une autre.Un facteur primordial dans le succès des systèmes NMT est la capacité de concevoir des architectures puissantes et efficaces. Les systèmes de pointe sont des modèles encodeur-décodeurs qui, d'abord, encodent une séquence source sous forme de vecteurs de caractéristiques, puis décodent de façon conditionne la séquence cible.Dans cette thèse, nous remettons en question le paradigme encodeur-décodeur et préconisons de conjointement encoder la source et la cible afin que les deux séquences interagissent à des niveaux d'abstraction croissants. À cette fin, nous introduisons Pervasive Attention, un modèle basé sur des convolutions bidimensionnelles qui encodent conjointement les séquences source et cible avec des interactions qui sont omniprésentes dans le réseau neuronal.Pour améliorer l'efficacité des systèmes NMT, nous étudions la traduction automatique simultanée où la source est lue de manière incrémentielle et le décodeur est alimenté en contextes partiels afin que le modèle puisse alterner entre lecture et écriture. Nous améliorons les agents déterministes qui guident l'alternance lecture / écriture à travers un chemin de décodage rigide et introduisons de nouveaux agents dynamiques pour estimer un chemin de décodage adapté au cas-par-cas.Nous abordons également l'efficacité computationnelle des modèles NMT et affirmons qu'ajouter plus de couches à un réseau de neurones n'est pas requis pour tous les cas.Nous concevons des décodeurs Transformer qui peuvent émettre des prédictions à tout moment dotés de mécanismes d'arrêt adaptatifs pour allouer des ressources en fonction de la complexité de l'instance.
- 10 December 2021
- Published by Springer Nature in Machine Translation
- Vol. 35 (4) , 637-659
Joint source–target encoding with pervasive attention
- 10 December 2021
- Published by Springer Nature in Machine Translation
- Vol. 35 (4) , 637-659
Joint source–target encoding with pervasive attention
- 25 October 2020
- Published by International Speech Communication Association
Efficient Wait-k Models for Simultaneous Machine Translation
- 25 October 2020
- Published by International Speech Communication Association
Efficient Wait-k Models for Simultaneous Machine Translation
- Open Access
- 1 January 2020
- Published by Association for Computational Linguistics (ACL)
- p. 5047-5058
Online Versus Offline NMT Quality: An In-depth Analysis on English-German and German-English
Maha Elbayad, Michael Ustaszewski, Emmanuelle Esperança-Rodier, Francis Brunet-Manquat, Jakob Verbeek, Laurent Besacier. Proceedings of the 28th International Conference on Computational Linguistics. 2020.
- 1 January 2020
- Published by Association for Computational Linguistics (ACL)
- p. 5047-5058
Open AccessOnline Versus Offline NMT Quality: An In-depth Analysis on English-German and German-English
Maha Elbayad, Michael Ustaszewski, Emmanuelle Esperança-Rodier, Francis Brunet-Manquat, Jakob Verbeek, Laurent Besacier. Proceedings of the 28th International Conference on Computational Linguistics. 2020.
- Open Access
- 1 January 2020
- Published by Association for Computational Linguistics (ACL)
- p. 35-43
ON-TRAC Consortium for End-to-End and Simultaneous Speech Translation Challenge Tasks at IWSLT 2020
Maha Elbayad, Ha Nguyen, Fethi Bougares, Natalia Tomashenko, Antoine Caubrière, Benjamin Lecouteux, Yannick Estève, Laurent Besacier. Proceedings of the 17th International Conference on Spoken Language Translation. 2020.
- 1 January 2020
- Published by Association for Computational Linguistics (ACL)
- p. 35-43
Open AccessON-TRAC Consortium for End-to-End and Simultaneous Speech Translation Challenge Tasks at IWSLT 2020
Maha Elbayad, Ha Nguyen, Fethi Bougares, Natalia Tomashenko, Antoine Caubrière, Benjamin Lecouteux, Yannick Estève, Laurent Besacier. Proceedings of the 17th International Conference on Spoken Language Translation. 2020.