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。

本研究提出了一种结构保持转换（SPT）方法生成自然且多样化的对抗样本，具有高可迁移性。实验结果表明，该方法可以绕过强有力的对抗训练，并在攻击其他目标模型时表现自然。

本文介绍了一种名为SHOT的算法，可用于最小化目标模型和参考模型参数之间的距离。该算法适用于任何GBML基线，并已证明其优于对应基线的结果。