本研究提出了一种基于神经编码器解码器模型的方法，用于生成Morphological inflection generation任务中给定基本形式的词汇对应的特定语言变换的变形形式，并在7个形态丰富语言的数据集上进行评估，获得了与现有的最先进的基于变化生成的模型相比更好或可比的结果。

Dec, 2015

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

该研究记录了使用编码器-解码器结构、多任务学习和多语言训练等创新方法，在CoNLL-SIGMORPHON 2018共享任务中获得高准确度表现的Team Copenhagen系统，主要关注于上下文中的词形转化，进而提高词形转化的质量。

Sep, 2018

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

该论文探讨了一种层次化神经条件随机场模型，用于处理资源匮乏的语料库数据，通过多语言迁移训练提升词形分析和词形归并技术。

Jul, 2019

提出一种针对低资源语言的自动词形变化生成方案，在神经网络方法、注意力机制、跨语言转移学习等方面做了改进并实现了15%的性能提升。发现了语言类别相似和通用表示是跨语言转移学习成功的关键因素。

Aug, 2019

SIGMORPHON 2019共享任务关注跨语言转移和上下文形态学分析，研究传递学习和上下文词形还原在66种语言中的应用，同时在100种语言对中考察了词缀的转移，所有的提交中都具备了神经元件。

Oct, 2019

研究表明，将深度学习序列模型用于形态学变化的任务可以取得良好的结果。然而标准模型，如Transformer，在推广变形模式方面表现很差。为了解决这个问题，我们提出了一种基于子串的生成模型，能够更好地处理之前没有训练过的词形，并在实验中获得了显著的性能提升。

Apr, 2021

使用基于词元的训练-测试分割方法重新评估形态学屈折模型，结果表明对于不同的语言模型的泛化性能有着不同程度的影响，尤其对于低资源语言的影响更大。

Aug, 2021

本文介绍了我们在MRL 2022胜出的系统，主要探索了基于transformers的两种方法：从头训练模型结合数据增强以及在多语言词形态任务中进行前缀调校的迁移学习，其中数据增强显著提高了大多数语言的词形和重构任务的性能，而前缀调校在预先训练的mGPT模型上对低数据量和多语言环境中的分析任务进行了适应，结果显示transformers与数据增强在词形和重构任务方面取得了最佳结果，而在分析任务方面，基于mGPT的前缀调校取得了最高结果。

Nov, 2022