Abstract Meaning Representation (AMR) bietet eine einheitliche semantische Darstellung für natürliche Sprache-Sätze. Daraus ergeben sich zwei gegensätzliche ÜbersetzungsAufgaben, nämlich Text-zu-AMR-Parsing und AMR-zu-Text-Generierung. Bisherige AMR-Studien konzentrieren sich lediglich auf Verbesserungen in einer Richtung, obwohl die beiden Aufgaben eine Dualität aufweisen. Die Leistungssteigerungen in bestehenden Ansätzen beruhen stark auf der Verwendung großer zusätzlicher Trainingsdaten oder komplexer Strukturmodifikationen, was die Inferenzgeschwindigkeit erheblich beeinträchtigt. Stattdessen schlagen wir eine dateneffiziente bidirektionale Bayes’sche Lernmethode (Bidirectional Bayesian Learning, BiBL) vor, die den bidirektionalen Informationsaustausch durch eine einstufige Multitasking-Strategie fördert und gleichzeitig eine deutlich leichtere Trainingsphase ermöglicht. Evaluationen an Benchmark-Datensätzen zeigen, dass unser vorgeschlagener BiBL-Ansatz starke vorherige seq2seq-Verbesserungen übertrifft, ohne auf zusätzliche Daten angewiesen zu sein – ein entscheidender Vorteil gegenüber bestehenden Modellen, die solche zusätzlichen Daten unbedingt erfordern. Die Quellcode-Implementierung von BiBL ist unter folgender Adresse verfügbar: https://github.com/KHAKhazeus/BiBL.