过去四十年中，对实证式翻译过程研究（TPR）模型的发展与评估进行了努力，但一个全面的框架仍然难以捉摸。本文追溯了 CRITT TPR-DB 传统中实证 TPR 的演变，并提出了自由能原理（FEP）和主动推理（AIF）作为模拟深度嵌入式翻译过程的框架。它介绍了量化关联理论（关联性，s 模式，i 模式）基本概念的新方法，并建立了它们与监控模型的关系，将关联性最大化视为最小化自由能的特例。FEP/AIF 提供了一个数学严谨的基础，能够对不同时间轴上展开的嵌入式翻译过程进行建模。这一框架为未来的预测性 TPR 研究开辟了令人兴奋的前景，有望丰富我们对人类翻译过程的理解，并为翻译研究和认知架构设计作出宝贵的贡献。

Aug, 2023

通过比较语言模型特征对大脑活动的预测准确性，研究发现语言模型和人脑在语言信息处理方面存在相似性。

Nov, 2023

深度语言模型（DLMs）为理解人脑中自然语言处理机制提供了一种新的计算范式。通过使用分层连续数值向量来表示单词和上下文，DLMs 与传统的心理语言学模型不同，从而产生了大量新兴应用，如人类般的文本生成。本文通过展示 DLMs 的分层层次结构可以模拟大脑中语言理解的时间动态性，从而证明了 DLMs 的层深与层是否最能预测人脑之间存在强相关。我们利用高时序分辨率的电皮层图谱（ECoG）数据记录参与者在听取一个 30 分钟叙述时的神经活动，同时将相同的叙述输入高性能 DLM（GPT2-XL）中。然后，我们提取 DLM 的不同层中的上下文嵌入，并使用线性编码模型预测神经活动。首先，我们关注下额下回脑回（IFG），然后扩展我们的模型，跟踪语言处理层次结构中从听觉到句法和语义区域的渐增时态感受窗口。我们的结果揭示了人类语言处理和 DLMs 之间的联系，DLM 的信息逐层累积上下文与高级语言区域的神经活动时机形成镜像关系。

Oct, 2023

本文介绍了一种新型的深度循环神经网络架构，通过对视频序列中人类活动的进度进行估计，间接地学习了与任务相关的语法，并使用叠加 LSTM 基于多粒度进度估计框架来学习任务语法，并证明了这种方法可以提高预测准确性，比基线的双流预测模型的准确性提高了 9% 以上，同时也优于其他竞争方案。该研究的重点在于人机交互的进展预测领域。

Sep, 2017

本文提出一个名称为 HiTUT 的模型，将任务学习分解成三个子问题：子目标规划、场景导航和物体操作，并统一解决了每个子问题，以学习分层任务结构。在 ALFRED 基准测试中，HiTUT 表现出最好的性能和更高的泛化能力。

Jun, 2021

提出了一种神经编码器 - 解码器机器翻译模型框架，该模型开始交替学习语法和翻译，逐渐将重点放在翻译上，实现了在相对较大的平行语料库（WMT14 英语到德语）和低资源（WIT 德语到英语）设置中的 BLEU 得分显着提高。

Apr, 2018

本文提出 FlexHRC + 用于高度可变的工厂任务中提供协作机器人更高的自主性，包括三个层次的感知、表示和行动，并在家具组装和物体定位任务中展开了实验。

Sep, 2020

训练多任务自动编码器进行语言任务，分析学习到的句子隐藏表示。加入翻译和词性解码器时，表示将显着改变。使用的解码器越多，模型根据句法相似性对句子进行聚类的效果越好。通过插值句子来探索表示空间的结构，得出很多有可识别句法结构的伪英语句子。最后，我们指出了模型的一个有意思的特性：两个句子之间的差分向量可以添加到第三个具有类似特征的句子中，以有意义的方式改变它。

Jan, 2018

本文探讨了用于神经语音翻译的多任务模型，并对其进行增强，以反映两个直观概念。精准的中间表示和神经关联的模式，参与模型的训练可以提高低资源语音转录和翻译任务的性能。

Feb, 2018

提出了一种利用分层语义图实现对人体运动生成的细粒度控制的方法，通过将运动描述分解成三个层次的语义图，从整体到局部的结构帮助全面理解运动描述和对运动生成进行细粒度控制，并对分解的文本到运动扩散过程进行了优化，通过修改分层语义图的边权重，实现了生成运动的持续细化，具有超过基准数据集 HumanML3D 和 KIT 的优越性能。

Nov, 2023