Jul, 2017

Align and Copy: UZH 在 SIGMORPHON 2017 共享任务中的形态回缀表现

PDF
TL;DR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。
发现论文，激发创造
  • CoNLL-SIGMORPHON 2017 共享任务：52 种语言的通用形态还原

    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

  • CoNLL--SIGMORPHON 2018 共享任务：通用的形态再生成

    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

  • Copenhagen at CoNLL--SIGMORPHON 2018: 多语种词形变化的明示形态句法解码与上下文

    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

  • SIGMORPHON 2019 共享任务：语境中的形态分析和屈折的跨语言转移

    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

  • 神经多来源词形重构

    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

  • 使用显式形态表示的单模型编码器 - 解码器用于重构

    提出利用神经编码器 - 解码器模型对形态学再生成的任务进行建模，进一步提出利用基于编辑树的输出自动校正方法，降低对训练数据量的依赖，实现了对低资源语言的形态学再生任务的优化。

    Jun, 2016

  • 一次性神经跨语言转移用于词形填充

    本研究提出一种新颖的跨语言转移方法，使用神经编码器 - 解码器模型完成词形映射任务，并使用高资源语言数据提高低资源语言的性能。在 21 种不同语言家族的语言对中进行实验，比无转移方法的精度高出 58％，并表明零射和单射学习也是可能的。此外，我们发现语言相关性程度强烈影响转移形态学知识的能力。

    Mar, 2017

  • 尚未达到：将类比模式与编码器 - 解码器网络相结合，实现认知合理的屈折变化

    本文研究了结合预编译的类比模式和编码器 - 解码器架构的技术，旨在在 SIGMORPHON 组织提供的数据上验证其预测非单词的屈折形式的效果，结果表明，在网络架构中加入类比模式有助于模仿说话者的预测。

    Aug, 2021

  • 神经传导学习及其拓展：极度资源匮乏情况下的形态生成

    在小型训练集下，我们针对 neural seq2seq models 在 paradigm completion 的应用中性能低下提出了两种新方法：1. Paradigm transduction， 2. Source selection with high precision (SHIP)， 在 52 种语言的基准数据集上，我们相比之前的技术水平在最高达 9.71% 的绝对准确率上实现了优异表现。

    Sep, 2018

  • (不) 解决形态变化：词形重叠人为地提高了模型的性能

    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