(不) 解决形态变化：词形重叠人为地提高了模型的性能

ACLAug, 2021

(不) 解决形态变化：词形重叠人为地提高了模型的性能

(Un)solving Morphological Inflection: Lemma Overlap Artificially Inflates Models' Performance

Omer Goldman, David Guriel, Reut Tsarfaty

TL;DR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。

Abstract

In the domain of morphology, inflection is a fundamental and important task that gained a lot of traction in recent years, mostly via SIGMORPHON's shared-tasks. With average accuracy above 0.9 over the scores of

morphology inflection neural models train-test splits generalization capacity

发现论文，激发创造

低资源形态变化的极限探究

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

形态变化：一次现实检验

研究分析了词形变化在子词 NLP 中的高性能和高可变性的原因，提出了更好反映实际使用情况的数据采样和评估策略，探讨了当前变形系统的泛化能力。

May, 2023

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

形态学屈折的最小监督

该研究使用少量标记的数据引导标注词形变化，利用不同类型的规律，通过类比词标记和距离对词配对，证明了手工标记许多示例可能是不必要的。

Apr, 2021

学习学习资源贫乏语言的形态变化

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

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

带音韵特征的形态变化

本研究探索了通过不同方式获取亚字符音韵特征对形态学模型、尤其是重音和分析的效果，通过语言特定的语法从标准文字数据中引出音素数据，并用两种重音模型在八种语言中进行实验。

Jun, 2023

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

形态变化的语境化

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

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

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