Vectorizing Classical Tamil: Representation Learning for Verse-Commentary Pairs
研究人员构建了包含 1,262 对古典泰米尔语诗歌 - 注释（urai）语料库，涵盖从技术语法到现代释义的五个来源部分。研究训练了循环神经网络、Transformer 编码器、孪生风格配对匹配网络、mBART 风格编解码器及仅解码器语言模型，并针对同一数据设置了相应控制组进行对比分析。结果显示，包含 25 个最频繁注释词的固定字符串在生成重叠度上优于仅解码器模型；在此样本规模下，正态噪声上的规范相关系数达 1.000，而 token-F1 分数仅为 0.02-0.20，且编解码器在验证损失上升后仍持续降低训练损失十六个周期。唯一显著结果为：仅解码器模型在 112 对最小配对比较中偏好真实词序（107 例，95.5%），但无法复现未参与训练的注释内容。研究团队已发布提取与评估协议，原始注释的再分发需经许可。