本文提出在多语种低资源场景下采用语言特定的预训练和词汇扩充以适应多语种模型并使用所提出方法对四种语言进行案例研究，结果显示这些方法可以显著提高性能，特别是在最低资源的情况下，并证明了模型的预训练数据与目标语言变体之间的关系的重要性。

Sep, 2020

本文研究在少量训练数据的情况下，如何通过数据增强、跨语言训练和转写等策略提高处理低资源语言的分析器性能。在三种语言的实验中，发现数据增强和跨语言训练都能提高性能，而将高资源语料库中的字母转写成共享的拼写规则也很有帮助。

Sep, 2019

通过提供一种基于格点的表示，能够同时解决词法分割和句法分析任务的联合神经体系结构，在希伯来语等具有高度复杂性和模棱两可性的多词类语言上取得了最先进的性能。

Feb, 2024

在形态丰富的语种中，通过一种新的 “翻转管道” 方法，直接在整个单词单元上进行专家分类器的决策，再综合其预测，从而在希伯来语词性标注和依存句法分析上取得了新的技术水平，并在其他希伯来语自然语言处理任务上接近最新技术水平。

Mar, 2024

该研究回顾了过去十年在 SPMRL 框架下解析富形态语言的建模、词汇和架构方面所遇到的挑战，并提出将 SPMRL 的符号思想引入现代神经结构设计的思路，从而推动 NMRL（神经模型富形态语言）研究进入新的领域，同时展示了在希伯来语的多标记任务中设计神经模型的初步支持。

May, 2020

本研究采用来自多任务学习的自动课程学习方法，旨在动态优化对于语法分析模型下游任务的性能，从而实现在低资源语言中的零样本情况下的跨语言迁移，表明这种方法比均匀和大小成比例采样更好。

Mar, 2022

提出一种基于形态学的低资源依存解析方法，在目标低资源语言中训练形态变化器，并将其应用于相关的富资源树库以创建类似于目标低资源语言的跨语言折叠树库。使用这样的折叠树库在零（在折叠的树库上训练）和少量样本（在折叠和目标语言树库上训练）设置中训练解析器。结果表明该方法有时会改善基线，但不是一致的。

May, 2022

将显式的形态学知识引入预训练阶段可以改善用于形态学丰富语言的预训练语言模型的性能，并且基于形态学驱动的分词方法相比普通的通用语言分词方法在语义和形态任务的基准测试中显示出了改进的结果，这些发现表明将形态学知识整合进预训练语言模型中具有进一步提高形态学丰富语言性能的潜力。

Nov, 2023

本篇论文研究了是否可以利用大规模多语言语料库（multilingual BERT）上预训练的现成双向深度句子表征，开发出一种无监督的通用句法分析器，以支持低资源语言的处理。实验结果表明，我们的方法在六种真正的低资源语言中均优于 CoNLL 2018 语言特定系统，但仍存在一些限制，如句法分析精度仍然随训练语言的变化而变化，并且在某些目标语言中，零 - shot 转移在所有测试条件下都无法成功，这引发了人们对整个方法的普适性问题的担忧。

Oct, 2019

本研究提出通过元学习的方式，以较少的语言资源解决形态学词形变化的任务。研究发现，将数据作为元参数，可以作为引导资源匮乏语言微调的强大初始化点。通过 29 个目标语言的实验，该方法表现出优异的性能，比之前提出的跨语言转移模型提高了 31.7% 的绝对精度，并且平均比之前的最优方法提高了 1.7% 的绝对准确度。

Apr, 2020