本研究探讨如何利用大型语言模型提升低资源语言的机器翻译，分析了示例提示、跨语言迁移和微调等技术，并比较了大型语言模型与传统模型的优缺点。

本文介绍了多种词性标注方法，包括基于后缀和字形信息的快速适应标注器、bi-LSTM模型以及联合词性标注与依存分析。这些方法在不同语言和领域中表现出色，特别是在处理未分割文本和濒危语言时，结合半监督和跨语言迁移技术取得了显著提升。

本研究探讨了多语言模型中子词共享语义的作用，提出通过合并语义相似的子词形成“语义标记”。结果显示，使用语义标记的模型在多种任务中表现优异，尤其在分类任务中，强调了子词级别共享语义在跨语言迁移中的重要性。

本研究提出了ArtELingo-28基准，涵盖28种语言和约20万个注释，旨在解决视觉与语言基准在多语言和多文化视角上的不足。研究强调文化多样性对图像情感注释的挑战，并发现跨语言迁移在文化相关语言间更为成功。

本研究提出了一种主动遗忘的预训练策略，以提升解码器语言模型在非英语语言上的表现。实验结果表明，该方法有效增强了模型的跨语言迁移能力，改善了多语言表示，从而在多个任务中取得了更好的性能。

本研究提出了一种新方法，通过结合语言和数学能力解决非英语任务中的数据不足问题。采用层交换技术的合并模型在数学基准测试中性能提升了10%，展示了跨语言迁移推理的潜力。

本研究探讨了多语言模型在不同语言推理中的逻辑推理能力转移。结果表明，单语言设置下模型能有效传递推理能力，但在混合代码情况下表现不佳。为此，提出了一种新注意机制，显著提升了推理性能。此外，研究发现推理类型和语言相似性对跨语言迁移效率有重要影响，强调了优化大型语言模型以发挥其跨语言潜力的必要性。

本文介绍了SemRel，一个由14种语言的母语者注释的语义相关性数据集。研究探讨了句子对之间的语义文本相关性，开发了针对非洲和亚洲语言的模型，并在SemEval-2024任务中取得了优异成绩。研究还关注数据增强和跨语言迁移，以提升低资源语言的自然语言处理性能。

本研究探讨了多语言BERT（mBERT）在跨语言迁移中的应用，提出通过语言语法和依赖树结构编码来提升自然语言处理任务的性能。研究表明，利用无监督机器翻译生成的合成平行语料库能够有效提取双语词汇表，并在多种语言间实现显著的性能提升。

本文介绍了MasonTigers在SemEval-2024任务1中的成果，开发了针对非洲和亚洲语言的语义文本相关性模型TranSem。该任务涵盖14种语言，重点解决低资源语言的挑战，采用机器翻译进行数据增强，并通过任务自适应预训练提高模型表现。MasonTigers在多个子任务中取得了优异成绩，展示了跨语言迁移的有效性。

研究者提出了一种利用视觉表征学习和无监督学习的框架进行文本语义学习的方法。该方法通过文本扰动实现对文本的连续感知，并通过大规模无监督主题对齐训练和自然语言推理监督来提高语义文本相似度性能。研究还展示了方法的跨语言迁移能力和语言迭代训练中的独特突破模式。

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种语言中相较于使用最先进的判别模型的直接转移方法，在词性标注和依赖分析方面分别获得了平均5.2％和8.3％的绝对改善。

本研究介绍了两个新的多语言数据集，用于文档图像分类任务。研究对文档智能模型进行了全面研究，包括多标签分类和零样本跨语言迁移设置。实验结果显示多语言文档智能模型在跨语言迁移上存在局限性。