模态匹配至关重要：URIEL+ 中跨语言传递的语言距离校准

现有的语言知识库如 URIEL+ 提供了有价值的地理、遗传和类型化距离，用于跨语言传递，但面临两个关键局限性。首先，它们的通用向量表示不适用于语言数据的多样化结构。其次，它们缺乏一种原则方法，将这些信号聚合为单个全面评分。本文通过引入类型匹配语言距离框架来解决这些问题。我们提出了每种距离类型的新型、结构感知表示：地理学用说话者加权分布、遗传学用双曲嵌入、类型化学用潜在变量模型。我们将这些信号统一为稳健、任务中性的复合距离。在多个零样本传递基准测试中，我们展示了当距离类型与任务相关时，这些表示显著提高了传递性能，而我们的复合距离在大多数任务中也获得了提升。