arXiv cs.AI· Kevin Guan, Happy Buzaaba, Christiane Fellbaum·· 3 天前AI 评分22
跨资源谱系的依存句法分析：高资源与低资源语言上的架构评估
Dependency Parsing Across the Resource Spectrum: Evaluating Architectures on High and Low-Resource Languages
AI 导读
研究评估了 Biaffine LSTM、Stack-Pointer Network、AfroXLMR-large 和 RemBERT 四种依存句法分析器在十二种类型多样的语言上的表现，重点关注低资源非洲语言。
正文 · AI 翻译
摘要：基于 Transformer 的模型在高资源语言的依存句法分析上达到了最先进的水平，但相较于更简单的架构，其在低资源场景下的优势仍鲜为人知。我们评估了四种句法分析器——Biaffine LSTM、Stack-Pointer Network、AfroXLMR-large 和 RemBERT——在十二种类型学上各异的语言上的表现，重点关注低资源非洲语言。我们发现，在低资源条件下，Biaffine LSTM 始终优于 Transformer 模型，而随着训练数据增加，Transformer 会重新获得其优势。这一交叉点落在资源不足语言的树库通常所处的资源范围内。在控制语料库规模后，形态复杂度（通过 MATTR 衡量）成为 Transformer 相对劣势的一个显著次要预测因素。这些结果表明，在低资源条件下，Biaffine LSTM 可能更适合用于句法工具的开发，直到有足够的标注数据可供利用预训练 Transformer 的表示能力为止。
| 评论： | 载于第一届低资源语言语言技术国际会议（LaTeLL 2026）论文集 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.02608 [cs.CL] |
| （或 arXiv:2605.02608v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.02608 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Kevin Guan [查看电子邮件]
[v1]
2026年5月4日星期一 13:55:32 UTC（253 KB）
[v2]
2026年8月7日星期五 17:49:56 UTC（271 KB）
[v3]
2026年10月12日星期一 04:55:12 UTC（271 KB）
来源：arXiv cs.AI · arxiv.org