paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
SE

Sarah Ebling

ACL 2026数据与预训练对齐与偏好多模态
新星分贡献者
22
一作贡献0
核心/参与5
方向广度6
合作网络3
0 一作 · 1 篇 · ACL 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

1
作者位次 #5/6ACL 2026Poster· Natural Language Processing

Segment, Embed, and Align: A Universal Recipe for Aligning Subtitles to Signing

Zifan Jiang · Youngjoon Jang · Liliane Momeni · Gul Varol · Sarah Ebling · Andrew Zisserman

摘要

The goal of this work is to develop a universal approach for aligning subtitles (i.e., spoken language text with corresponding timestamps) to continuous sign language videos. Prior approaches typically rely on end-to-end training tied to a specific language or dataset, which limits their generali...

数据与预训练对齐与偏好多模态OpenReview 项目页

常见合作者