利用 DeepScribe 模块，能够从阿契美尼德王朝时期的楔形文字片段中，通过目标检测、分类和聚类等机器学习技术，提供有效的翻译建议。

Jun, 2023

基于深度学习和变分自编码器方法，针对库内容丰富的超过 94,000 张楔形文字片的数据集，通过研究其轮廓形状作为关键指标，成功实现了古代文献的自动分类和时代定位，为历史学家和铭刻学家提供了更深入的洞察和解释工具。

Jun, 2024

玛雅象形文字的研究通过人工智能提供了一种新的透视方式，可以翻译这些铭文，有潜力让非专家阅读这些文本，并帮助解密那些仍无法全面解释的象形文字。我们利用基础模型从一个专注于玛雅文物的开源数字图书馆中分割玛雅象形文字，通过专家在玛雅艺术和历史方面的协助，精心策划了图像和标签配对，使这些基础模型的性能得到显著提高，展示了精调方法的潜力和我们不断扩大的数据集的价值。我们计划开源这一数据集，鼓励未来的研究，并最终帮助更广泛的社区阅读玛雅象形文字，特别是玛雅遗产社区的成员。

May, 2024

我们的研究通过合成数据的方法，为古代亚述文字符号生成了大规模的数据集，以此训练人工神经网络以提高掌握这些古代碑文的能力。通过验证实验，我们验证了该模型在处理多样的真实场景中的能力，并证明了我们合成数据方法的可行性，避免了对稀缺的训练数据的依赖，从而提高了对受损碑文的解读准确性和对历史资源的知识提取。

Oct, 2023

通过降低虚假阳性和提高精确度的方法，我们在古代文献中增强了物体检测，并通过计算转换生成合成数据集，将视觉特征提取与物体检测过程相结合，进一步关联物体与其组成部分，并引入视觉特征图，从而深入分析和促进了有价值的历史文物，给古文字学领域带来了深远影响。

Jul, 2023

通过收集几种凯尔特语言家族的语料库，本文提出一种无监督特征提取的方法，成功训练了一个分类模型来识别低资源语种，实验结果表明，无监督特征提取可以更有效地解决缺乏标注数据的问题，并提高分类性能。

Mar, 2022

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

本文提出了四种古希腊语言模型，包括单语和多语版本，使用 RoBERTa 和 T5 作为模型类型，基于模型对形态和句法任务进行评估，探讨模型类型对古典语言模型设计的影响。实验结果表明本文设计的模型显著提高了古希腊语言任务的性能，并为未来的研究提供了有用的信息。

May, 2023

通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

Nov, 2023

本文讨论了自然语言处理中语言歧视和对非标准语言特征的忽略可能导致偏见结果的问题，并介绍了引入人机交互模式以更好地理解非标准语言使用者和强调方言语言包容性的必要性，以便减少身份剥夺感情况下，AAE 本土使用者与 NLP 系统的广泛互动。

Jun, 2022