本文提出了一种基于递归 Transformer 模型的分层过程的方法，并将双向语言模型预训练目标扩展到此体系结构，试图预测每个单词给定其左右抽象节点。实验结果表明，我们的方法在语言建模和无监督解析方面非常有效。

Jul, 2021

为解决语篇树结构数据不足的问题，本文提出了一种基于无监督学习和隐式树归纳框架扩展的自动编码目标策略，可应用于生成语法分析、语篇分析等任何树状结构目标。

Oct, 2022

本文提出一个使用自上而下分析的模型进行基于规则剪枝的自适应语法归纳的方法，使得像 CKY 模型这样的基于递归的解析器可以更加高效地处理复杂的自然语言，实验证明该方法在语法归纳方面表现显著。

Mar, 2022

本研究提出了一种使用远程监督形式的跨度约束技术来提高无监督语法分析性能的方法。通过少量跨度约束，可以大大提高无监督分析系统 DIORA 的性能。我们的实验表明，基于实体的跨度约束可以使英语 WSJ Penn Treebank 的组成分析提高超过 5 F1，并将其扩展到任何易于实现跨度约束的领域，同时在生物医学文本方面，该方法的有效性得到了证明。

Sep, 2021

通过无监督学习的隐式树归纳框架，提出了一种新的策略来生成结构化的文本，例如语法分析、话语分析等，以及更倍覆盖的话语树库，并在多个领域中展示了具有前景的结果。

Dec, 2020

本研究提出了一种称为递归树语法自编码器 (RTG-AE) 的自编码器方法，这种方法利用自上而下解析器对树进行编码，利用树语法对树进行解码，两者都是通过递归神经网络进行学习，从而最小化变分自编码器损失。这种方法将变分自编码器、语法知识和递归处理结合起来，能够优于任何两种元素的组合，能够在合成和真实数据集上提高自编码误差、训练时间和优化得分。

Dec, 2020

本研究提出了一种基于 CRF 自编码器的无监督依赖分析模型，其中编码器部分是辨别式的和全局归一化的，能够使用丰富的特征和通用语言先验，并提出了一种精确算法用于分析以及一种易于处理的学习算法，通过在八个多语言树库上进行模型性能的评估，发现我们的模型取得了与最先进方法相当的性能。

Aug, 2017

该文介绍了一个通过 VDRAE 对大规模 3D 场景数据进行训练来推测实例级分割和 3D 对象检测的方法，该方法在现实世界的 3D 点云数据集上比以往的工作有了明显的改进。

Mar, 2019

本研究提出了基于部分可观测的树条件随机场（Partially-Observed-TreeCRFs）的嵌套命名实体识别方法，使用类似于组成句子解析的方法，将标注实体认定为具有观测值的树节点，而其他实体为潜在节点，并采用掩码算法来实现节点的不同推理操作，从而大幅度提高了训练和推理的效率，并在 ACE2004、ACE2005 和 GENIA 数据集上实现了最优的 F1 分数。

Dec, 2020

本文提出使用词性识别和命名实体识别相结合的方法，在 NER 中推广了语法结构树，并引入局部边际化算法来解决名字嵌套的问题。实验结果表明，使用本文提出的方法在 ACE2004，ACE2005 和 NNE 数据集上达到了现有最优效果，并在 GENIA 数据集上表现出色，并且具有快速的推理速度。

Mar, 2022