创造了华中科技大学甲骨学数据集，包括 77,064 张已解码甲骨文字图像和 62,989 张未解码字符的图像，共计 140,053 张图像，为未知甲骨文字的解码研究提供了帮助。

Jan, 2024

通过构建一个包含 13,714 个不同字符类别的含有 229,170 张图片的 EVolution Oracle Bone Characters (EVOBC) 数据集，本研究展示了该数据集在辅助研究甲骨文上的作用，通过研究字符形式的演变来帮助解读甲骨文。

Jan, 2024

通过使用 Puzzle Pieces Picker（P$^3$）这一新颖方法进行基体重建，该研究旨在解密大量未解谜的甲骨文，以揭示这种古老文字的秘密，并通过开发 Ancient Chinese Character Puzzles（ACCP）数据集，能够更好地理解中国古代文字的历史和文化背景。

Jun, 2024

提出了一种基于国际音标的字符嵌入的生成框架，该框架可以处理未分隔单词和最接近的已知语言未确定的情况下，对未破译的失传语言进行解密，并在哥特语、乌加里特语和伊比利亚语上进行了实验验证。

Oct, 2020

本文提出一种编码器 - 解码器体系结构 (BoSsNet)，其中使用一种新颖的序列构成袋 (BoSs) 记忆方法，实现了响应的语言模型和其知识结合的解耦学习，从而使知识库可以用新的知识修改而不降低可解释性。 BoSsNet 在 bAbI OOV 测试集和其他人类 - 人类数据集上取得了显著的改进 (>10％)，并且对现有数据集进行系统修改以衡量解耦性，并且显示出这种方法对 KB 修改具有很强的鲁棒性。

May, 2018

该研究训练和分析应用于位于 Brihadeeswarar Temple 墙壁上发现的 10 世纪古代泰米尔铭文的光学字符识别（OCR）方法，其中选择的 OCR 方法包括使用现代 ICR 技术预处理原始数据的 Tesseract（一种广泛使用的 OCR 引擎）和一个框编辑软件来调优我们的模型，通过 Tesseract 的分析来评估它们在准确解读古代泰米尔字符方面的有效性，我们的模型在数据集上的性能通过准确率来确定，该数据集被划分为训练集和测试集，通过解决脚本的历史背景所带来的独特挑战，该研究旨在为 OCR 领域的改进保存和解释古代铭文做出有价值的贡献。

May, 2024

本文提出了一种基于神经机器翻译的实用佛经翻译模型，经过三个标准的削减实验获得了极具前景的翻译成果。

Sep, 2022

该研究论文调查了脚本识别和文本识别的现有方法和技术，并讨论了在处理和识别脚本方面的技术改进，特别是针对印度的 12 种主要印度文字的复杂特征和高级预处理方法。

Aug, 2023

本研究旨在克服 DL-Lite_R 的局限性，并将 OBDA 扩展到更具表现力的本体语言，同时利用基础关系技术进行查询回答，通过保守重写和逼近的机制，重写具有表达力的本体规范为 DL-Lite_R 规范，利用映射层的高表达能力来捕获丰富本体语言的部分领域语义，该技术已在 OntoProx 原型系统中实现，并在合成和真实世界数据的实验中展示了其可行性和有效性。

Nov, 2015

通过使用 ODE 模型，BrainODE 能够从不规则时间序列中学习潜在的初始值和神经 ODE 函数，从而在任何时间点上对脑信号进行连续建模，解决了脑信号中的三个数据挑战。

Apr, 2024