arXiv · cs.AI· Kevin Guan, Happy Buzaaba, Christiane Fellbaum·· 10 小时前
四种依存句法解析器在12种语言上的评测显示Biaffine LSTM更适合低资源语言
Dependency Parsing Across the Resource Spectrum: Evaluating Architectures on High and Low-Resource Languages
arXiv:2605.02608v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Kevin Guan, Happy Buzaaba, Christiane Fellbaum
研究任务与主要进展
研究评估Biaffine LSTM、Stack-Pointer Network、AfroXLMR-large和RemBERT在12种语言上的依存句法解析表现，重点关注低资源非洲语言。摘要报告，Biaffine LSTM在低资源条件下持续优于Transformer，Transformer则在训练数据增加后恢复优势；控制语料规模后，形态复杂度是Transformer相对劣势的显著次要预测因素。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org