XiaoMi-AI文件搜索系统
World File Search SystemLRLS
NAWCAD LAKEHURST 统计数据 - Harry Kahn Associates, Inc.
• 目视着陆辅助设备 (VLA) 实验室 – 通过维护当前部署的 VLA 系统的最新服务变更配置，为机队 VLA 系统提供支持。该实验室还用于开发、制造和排除系统故障。当前的 VLA 系统包括：改进型菲涅尔透镜光学着陆系统 (IFLOLS)、手动操作目视着陆系统 (MOVLAS)、远程对线系统 (LRLS)、标记和照明设备、着陆信号官显示系统 (LSODS)、综合发射和恢复电视监视 (ILARTS) 系统、地平线参考集 (HRS)、垂直短距起降 (VSTOL) 系统、直升机操作和监视系统 (HOSS) 以及各种其他电子系统。
语言实体掩蔽可改善低资源语言的多语言模型的跨语言表示
按照掩蔽语言建模 (MLM) 目标进行训练的多语言预训练语言模型 (multiPLM) 通常用于双语文本挖掘等跨语言任务。然而，这些模型的性能对于低资源语言 (LRL) 仍然不是最优的。为了改进给定 multiPLM 的语言表示，可以进一步对其进行预训练。这称为持续预训练。先前的研究表明，使用 MLM 进行持续预训练，随后使用翻译语言建模 (TLM) 进行预训练可以改进 multiPLM 的跨语言表示。然而，在掩蔽期间，MLM 和 TLM 都会给予输入序列中的所有标记相同的权重，而不管标记的语言属性如何。在本文中，我们引入了一种新颖的掩蔽策略，即语言实体掩蔽 (LEM)，用于持续预训练步骤，以进一步改进现有 multiPLM 的跨语言表示。与 MLM 和 TLM 相比，LEM 将掩码限制在语言实体类型名词、动词和命名实体上，这些实体在句子中占据更重要的地位。其次，我们将掩码限制在语言实体范围内的单个标记上，从而保留更多上下文，而在 MLM 和 TLM 中，标记是随机掩码的。我们使用三个下游任务评估 LEM 的有效性，即双语挖掘、并行数据管理和代码混合情感分析，使用三种低资源语言对英语-僧伽罗语、英语-泰米尔语和僧伽罗语-泰米尔语。实验结果表明，在所有三个任务中，使用 LEM 持续预训练的多 PLM 优于使用 MLM+TLM 持续预训练的多 PLM。