按年被提到
20192019 · 2 次2026
大模型与语言模型›序列模型与注意力机制·arXiv:1906.06718 · cs.CL

Neural Decipherment via Minimum-Cost Flow: from Ugaritic to Linear B

通过最小费用流的神经解读:从乌加里特语到线性文字 B
Jiaming Luo, Yuan Cao, Regina Barzilay · 2019

用神经模型与最小费用流无监督破译乌加里特语与线性文字 B

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2019-07-15 · 最近 2025-08-19
3不同的人
3活跃月份
4讨论串
33被引(OpenAlex)

论文提出一种用神经网络自动破译失传语言的方法。为弥补缺少强监督信号,模型设计借鉴了历史语言学记录的语言演变规律,用表达力强的序列到序列模型捕捉同源词之间的字符级对应。为了无监督地训练,作者把训练过程形式化为最小费用流问题。该方法在乌加里特语上比最先进结果绝对提升 5.5%,并首次报告对线性文字 B(与古希腊语相关的音节文字)的自动破译结果,正确翻译了 67.3% 的同源词。

HN 为什么提它

评论者在谈到机器破译古文字时引用它,作为无监督模型已部分破译乌加里特语和线性文字 B 的例子。

方法难度 4 / 5约 40 分钟经得起时间
读之前最好知道
1序列到序列(seq2seq)模型
2历史语言学与同源词
3最小费用流(min-cost flow)
4无监督学习
5古代文字破译背景

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

候选里只有无监督词向量与跨语言对齐的相关背景,与神经解读的核心方法是概念上的类比,先建立无平行语料对齐的直觉再读本文。

  1. 1
    Efficient Estimation of Word Representations in Vector Space向量空间中词表示的高效估计 · 2013

    词向量是跨语言无监督对齐的基础表示。

    读抓 CBOW 与 Skip-gram 的目标,理解词向量的含义。

  2. 2
    Exploiting Similarities among Languages for Machine Translation利用语言间的相似性做机器翻译 · 2013

    在两种语言的向量空间间学线性映射,是无平行数据对齐的早期思路。

    读抓线性映射的学习与词典扩充。

  3. 3
    Word Translation Without Parallel Data无需平行数据的词翻译 · 2017

    无平行数据对齐词表示,与失传语言只有同源词线索的设定在概念上相近。

    读抓对抗式对齐加 Procrustes 精炼的流程,对比本文的最小费用流。

  4. 4
    Neural Decipherment via Minimum-Cost Flow: from Ugaritic to Linear B通过最小费用流的神经解读:从乌加里特语到线性文字 B · 2019 · 就是这篇

    用神经模型与最小费用流无监督破译乌加里特语与线性文字 B。

    读抓字符级序列模型与最小费用流训练,以及历史语言学约束。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用mkw5053 · 2025-08

“Unsupervised models have partially cracked Ugaritic and Linear B [0]”

引用它说明无监督模型已部分破解乌加里特语和线性文字 B
X-ray scans reveal Buddhist prayers inside tiny Tibetan scrolls原评论 ↗
被提交为 story · 3 次