在多任务口语语言理解模型中寻找任务特定的子网络

UniverSLU模型在12个语音分类和序列生成任务中表现优越，超过了特定任务模型。

研究探索了使用自然短语作为提示的可解释性，测试了模型对新释意表达的泛化能力。

提出了一种基于深度RNN的新型架构，在ATIS和MEDIA语料库上取得了优于先前研究的成果。

介绍了神经网络的过度参数化和权值修剪技术，提出了新的神经网络表示结构，提升了多任务性能。

提出了一种SLU框架，通过对话语言建模预训练任务和轻量级编码器实现领域适应，表现与现有方法相匹配。

研究了一种多任务语言模型压缩方法，使用剪枝技术在低资源环境中保持性能，显著优于基线方法。

探讨了多领域联合培训的知识学习和转移提取方法，证明了模型在适应新领域时的有效性。

提出了多级多粒度的SLU框架MMCL，通过对比学习实现意图和槽位的互相引导，取得了新的最先进结果。

研究了从语音信号中提取语义的技术，取得了在未标记数据自我监督训练方面的新突破。

提出了一种基于元辅助学习的ASR和NLU联合训练方法，提高了低资源SLU任务的性能。