- 元学习通过普遍的语言归纳偏好
介绍一种通过元学习来探索语言习得中归纳偏好的影响的框架，并展示了一个基于音节结构的案例研究来验证该方法传递了预期的语言归纳偏好。
- EMNLP基于视觉的组合短语连续学习
本文介绍了 VisCOLL, 一种模拟从流动视觉场景中不断习得组成短语的视觉感知语言学习任务，其使得机器模型习得人类一样的自然语言习得能力，本文构建了两个数据集，用不同的连续学习方法来比较并测试了它们。
- 深度学习中的句法结构
本文介绍了现代深度神经网络在机器翻译等需要广泛语言技能的工程应用中取得的卓越性能，探讨它们是否从接触的原始数据中引导出类似于人类语法知识的思想，并讨论这些工作对理论语言学的广泛影响。
- 快速而灵活：训练神经网络通过少量数据学习遵循指令
通过两阶段训练过程，我们的神经网络系统自动获得归纳偏差来学习遵循人类指令的通用结构，并能够适应新话语中的新单词。
- 一种支配所有事情的模型：用于词汇分析的多任务和多语言建模
本论文探讨了在自然语言处理方面学习多任务和多语言的交叉点，研究的主要目标是提高文本处理可靠性，尤其是在资源稀缺的语言中，通过利用语言重叠等方法，使得低资源语言能受益于高资源语言的进步。
- 基于视觉化支撑的未转录语音关键词预测学习
这篇论文中，采用图像与未翻译口头说明的组合，研究计算机视觉系统是否可以用于获取语音的文本标签，并使用图片到词语多标签视觉分类器标记图像的软文本标签。然后，训练神经网络将语音映射到这些软目标。结果表明，语音识别系统能够预测话语中出现的单词，并 - 从联合音视频分析中学习类似单词的单位
本文提出了一种通过语音信号和图像区域的语义相关性，发现连续语音信号中类似于单词的语音单元，并将其与图像区域相关联的方法。这个模型能够有效地实现一种口语语言习得的形式，不使用常规的自动语音识别或文本传输，同时丰富学习词汇的语义含义及图像联系。
- 无监督语言习得：理论与实践
本论文研究了无监督机器学习在自然语言方面的应用，提出了三种新算法，旨在考察 “刺激贫乏” 问题以验证人类是否具有特定内在语言知识，最终得出刺激贫乏论不受证据支撑的结论。