【摘要】 当前的神经机器翻译系统大多采用自回归的方式进行解码，这种串行解码的方式导致解码效率低下。与之相比，非自回归的方式通过并行解码显著提高了推断速度，受到研究人员的广泛关注。然而，由于缺乏目标序列内词语间的依赖关系，非自回归方法在性能上还存在较大差异。近些年，有很多工作研究如何缩小非自回归机器翻译(NART)和自回归机器翻译(ART)之间的翻译质量差距，但是目前缺少对现有方法和研究趋势的梳理。该文不仅从捕获依赖关系的角度对NART方法进行了详细分类和总结，而且对NART研究面临的挑战进行了展望与分析，并归纳整理了相关的论文，还进一步根据方法、发表会议和任务等进行了分类。更多还原

【Abstract】 Most of the current machine translation systems adopt the autoregressive method for decoding, which leads to low inference efficiency. The non-autoregressive method significantly improves the inference speed through parallel decoding, attracting increasing research interest. We conduct a systematic survey for recent efforts to narrow the translation quality gap between Non-Autoregressive Machine Translation(NART) and Autoregressive Machine Translation(ART). We categorize NART methods by the way to capture the dependencies of target sequences. We also discuss the challenges of NART research.更多还原