本研究探讨了多源形态重构任务，提出了一种基于多个编码器的神经网络体系结构，此方法可以优于单源形态变化模型，并发布了数据集以促进未来的研究。

Dec, 2016

本篇论文介绍了苏黎世大学在 SIGMORPHON 2017 共享任务中针对形态重构的提交。 我们专注于神经网络方法，可以在有限资源的情况下解决任务。 我们提出了两种具有硬单调注意机制的循环神经网络架构，这些架构在复制方面很强大，并且在实现方面存在显着差异。 随后，我们提出了一些实验，通过字符对齐技术使翻译连贯，并基于样本量 100 的条件下，所提出的两种方法（以模型集合的形式）均优于下一竞争对手，成为了 SIGMORPHON 2017 共享任务 1 的全局胜者。

Jul, 2017

本文中，我们提出了一种从外向内生成序列的解码框架，该框架通过动态规划等多种训练方法，支持多种模型结构，并在推土机 2023 转换任务上取得显著提高。

May, 2023

该研究以 CoNLL-SIGMORPHON 2017 共享任务为基础，使用监督型形态生成技术在 52 种语言上进行训练和测试，结果表明神经序列到序列模型能够在小训练数据集上取得高性能，但由于不同偏置和数据增强策略导致预测的屈折形式集合不一，因此仍需要进一步的改进措施。

Jun, 2017

本文研究神经机器翻译的表示，探讨其对源语言和目标语言的理解以及对单词结构学习的影响，发现了一些关键参数对表示的影响

Apr, 2017

本研究探索了通过不同方式获取亚字符音韵特征对形态学模型、尤其是重音和分析的效果，通过语言特定的语法从标准文字数据中引出音素数据，并用两种重音模型在八种语言中进行实验。

Jun, 2023

在低资源环境中，提出了一种用于模拟复杂形态的框架解决方案，该方案采用了双层 Transformer 架构来编码输入端的形态学信息。同时通过多标签多任务训练和基于 beam search 的解码器，提高了机器翻译性能，并使用通用形式的注意力增强方案来整合预训练语言模型和源语言和目标语言之间的词序关系建模。通过评估多种数据增强技术，提高了在低资源环境中的翻译性能，最终在基纳卢旺达语 - 英语翻译任务中取得了有竞争力的性能，希望我们的结果能够鼓励更多在低资源的神经机器翻译中使用明确的形态学信息以及所提出的模型和数据增强方法。

Apr, 2024

CoNLL-SIGMORPHON 2018 shared task focused on supervised learning and morphological generation for over 100 languages, with task 1, inflection task, receiving 27 submissions and task 2, the cloze task, receiving 6 submissions where most systems utilized neural components and improvements were seen from last year's inflection task.

Oct, 2018

本文研究机器翻译中针对形态丰富的目标语言面临的挑战以及采用词元标记策略和语言学知识进行目标语言语言建模的实验，结果表明词汇量限制、语法一致性和语言关联性问题仍然是机器翻译需要解决的重要问题。

Mar, 2022

使用生成型潜变量模型和变分推断方法解决未标注数据下降低资源被限制的语言对词形变化生成的研究问题，实验中得到一些语言中 10% 准确性的提高。

Jun, 2018