在这项研究中，我们旨在提供出于语言动机的解决方案，以解决缺乏无效词素的代表性，高生产力的衍生过程和土耳其语中的融合词素的问题，而在Boun Treebank中没有与普遍的依赖关系框架不同。为了解决这些问题，通过将某些引理并在UD框架中使用MISC（其他）选项卡来表示新的注释约定来表示派生。在基于LSTM的依赖性解析器上测试了重新注释的树库的代表性功能，并引入了船工具的更新版本。
translated by 谷歌翻译
动态触发的地震和震颤产生了两类弱的地震信号，它们的检测，认同和身份验证传统上要求进行费力的分析。近年来，机器学习（ML）已成为地球物理分析中的强大效率工具，包括检测时间序列中的特定信号。但是，检测埋在噪声挑战中的弱信号ML算法，部分原因是无处不在的训练数据并不总是可用。在这种情况下，ML可能像人类专家效率低下一样无效。在这一有效性和效率的交汇处，我们利用了过去十年中普及的第三个工具：公民科学。公民科学项目地震侦探利用志愿者的眼睛和耳朵来检测和对潜在动态触发（PDT）事件的地震图中的弱信号进行分类。在这里，我们介绍了地震侦探数据集 - PDT地震和震颤上的一组众包标签。我们应用机器学习来对这些PDT地震事件进行分类，并探索在分离和分类此类信号时面临的挑战。我们确认，使用基于图像和小波的算法，机器学习可以从小地震中检测信号。此外，我们报告说，我们的ML算法还可以检测到PDT震颤的信号，这尚未证明。分类和ML代码的公民科学数据集可在线获得。
translated by 谷歌翻译