该研究综述了发展计算形态学相关工具的方法，从传统方法到基于深度神经网络的新方法的历史文献进行了调查，讨论了神经模型与传统模型的有效性，并提出了构建计算形态学工具所面临的独特挑战，最后讨论了该领域中的一些最新研究问题。

Jun, 2024

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

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

提出了一种适用于低资源语言的模型来训练形态标记器，该模型使用 Wesabie 模型进行打标， 通过在语料库中引入 POS 词性标注的元信息，将标记信息从富资源语言映射到贫资源语言，实现了跨语言知识的迁移，可以提高句法分析的效果。

Jun, 2016

本文回顾了 NLP 领域中解决低资源语言问题的先前重要进展，并分析了未来研究方向中的潜在改进。

Jun, 2020

本文提出了无监督词形范式补全的任务，并介绍了一个通过编辑树检索、范式规模探测和屈折生成等步骤生成词态的系统，该系统在 14 个语言上得到了很好的性能。

May, 2020

本文探讨了在训练数据有限的情况下，如何将单词分割为标准化的语素，提出了两种新的模型：LSTM 指针生成器和带有硬单调注意力的序列到序列模型，并在德语、英语、印度尼西亚语、波波卢卡语和特佩瓦语进行了实验。结果显示，在低资源情境下，这些新颖的方法比现有方法在所有语言上的准确度都高出 11.4%。然而，在真正的低资源语言波波卢卡语和特佩瓦语中，最好的模型仅获得了 37.4% 和 28.4% 的准确度，因此我们总结出标准化分割仍然是低资源语言中的一个具有挑战性的任务。

Oct, 2020

这篇论文对德国 ic 低资源语言变体的可用语料库进行了系统性调查，发现手工注释的语言资源稀缺，大多数仅涵盖形态和句法，但活跃的研究社区正在不断发展。作者还特意分享了超过 80 个语料库的大概率浏览与查看。

Apr, 2023

本研究通过多任务学习将形态学监督引入字符语言模型，并发现即使形态学数据和语言建模数据不重叠，这种增加也可以提高 24 种语言的 BPC 性能。同时，研究表明有屈折词的性能获益更大，而形态学督导即使在语言建模数据增加的情况下也能提高性能。最后，我们通过跨语言转移形态学督导来提高低资源环境下的语言建模性能。

Jun, 2019

在低资源环境中，提出了一种用于模拟复杂形态的框架解决方案，该方案采用了双层 Transformer 架构来编码输入端的形态学信息。同时通过多标签多任务训练和基于 beam search 的解码器，提高了机器翻译性能，并使用通用形式的注意力增强方案来整合预训练语言模型和源语言和目标语言之间的词序关系建模。通过评估多种数据增强技术，提高了在低资源环境中的翻译性能，最终在基纳卢旺达语 - 英语翻译任务中取得了有竞争力的性能，希望我们的结果能够鼓励更多在低资源的神经机器翻译中使用明确的形态学信息以及所提出的模型和数据增强方法。

Apr, 2024