本文提出了一种生成模型，通过结构化的正则先验利用标记源数据和未标记目标数据联合学习源模型和目标模型的参数来解决跨语言迁移的问题。该方法在10种语言中获得了平均5.2％和8.3％的绝对改善。

该文介绍了一种新颖的去噪假标记方法，用于解决无监督域自适应问题。该方法利用源模型和未标记的目标数据促进模型的自适应，并引入了两种补充的去噪方案以减少嘈杂的假标记并选择可靠的假标记。