实体
Latin
Latin
PulseAugur coverage of Latin — every cluster mentioning Latin across labs, papers, and developer communities, ranked by signal.
总计 · 30天
4
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
4
90 天内 4
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 4 条
-
扩散模型生成乌克兰手写文本，创建新数据集
研究人员开发了一种使用扩散模型生成乌克兰手写文本的方法，解决了低资源书写系统中的空白。他们创建了一个包含来自308位作者的超过126,000个乌克兰手写单词的新数据集。最初在拉丁字母脚本上训练的DiffusionPen模型，在该数据集上进行了重新训练，并展示了有效的跨域风格迁移能力，能够泛化到历史和当代乌克兰手写体。
-
深度学习框架分析罗曼语族语法性别转变
研究人员开发了一个可解释的深度学习框架，用于研究从拉丁语到奥克西唐语的语法性别演变。该研究通过提出一种新颖的分词器来解决低资源历史语言学的挑战，并分析了形态特征和词性类别对性别预测的贡献。研究结果阐明了性别信息如何在词形和句子语境之间分布。
-
深度学习模型追踪语法性别从拉丁语到罗曼语系的转变
研究人员开发了一个深度学习框架，用于研究语法性别系统从拉丁语到罗曼语系的演变。该研究侧重于在大多数罗曼语系中从三性别系统（阳性、阴性、中性）转变为两性别系统（阳性、阴性）。该框架分析了词汇和上下文因素，发现传统的标记化方法对于低资源历史语言来说是不够的，并且形态特征和词性类别在预测语法性别方面起着重要作用。
-
新的HGQ-LUT和da4ml方法加速DNN训练和FPGA部署
研究人员开发了HGQ-LUT，一种用于训练基于查找表（LUT）的神经网络的新方法，该方法显著加快了训练过程，在现代GPU上速度提升超过100倍。该方法引入了专门的层和细粒度量化，以自动探索精度-资源权衡，无需手动调整。HGQ-LUT已集成到开源工具链中，能够为像CERN大型强子对撞机这样的应用实际部署这些高效的DNN。