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

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

该研究介绍了 SIGMORPHON 2022 共享任务关于形态素分割，试图将单词分解为一系列形态素，并覆盖了大部分类型的形态学。结果表明，该任务的提交结果对于单词级别和句子级别的形态素分割与现有的 3 种子单词分割方法相比有显著提高，为错误分析和未来的研究提供了有用的数据。

Jun, 2022

我们在 SIGMORPHON2019 共享任务中对 UDPip2.0 进行修改，使用预训练的上下文化嵌入 (BERT) 作为网络的附加输入，使用单独的形态特征作为正则化，并合并了同一语言的选定语料库，在词形还原任务中，我们的系统的准确性达到了 95.78，超过所有提交的系统，且在词态分析方面取得了 93.19 的准确度，是一个非常有前途的研究。

Aug, 2019

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

本文介绍了一种利用神经混合图模型构建并预测词形变化的方法，并将其与传统的形态学变化或表面实现进行了比较，证明了将语言学驱动的潜在变量纳入 NLP 模型的实用性。

May, 2019

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

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

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