論文の概要: The Hierarchical Organization of Syntax

• arxiv url: http://arxiv.org/abs/2112.05783v1
• Date: Sat, 27 Nov 2021 00:47:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-19 12:56:50.118292
• Title: The Hierarchical Organization of Syntax
• Title（参考訳）: 構文の階層構造
• Authors: Babak Ravandi and Valentina Concu
• Abstract要約: 我々は11世紀から17世紀のテキストのコーパスから作られたドイツ語の歴史的構文網の階層的構造を分析した。 これらのネットワークにおける構文構造の出現を追跡し、特定のコミュニケーションニーズにマッピングした。 コミュニケーション的階層の出現は、言語進化の目的は情報伝達の効率を上げることだけではないことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hierarchies are the backbones of complex systems and their analysis allows for a deeper understanding of their structure and how they evolve. We consider languages to be also complex adaptive systems. Hence, we analyzed the hierarchical organization of historical syntactic networks from German that were created from a corpus of texts from the 11th to 17th centuries. We tracked the emergence of syntactic structures in these networks and mapped them to specific communicative needs. We named these emerging structures communicative hierarchies. We hypothesise that the communicative needs of speakers are the organizational force of syntax. We propose that the emergence of these multiple communicative hierarchies is what shapes syntax, and that these hierarchies are the prerequisite to the Zipf's law. The emergence of communicative hierarchies indicates that the objective of language evolution is not only to increase the efficiency of transferring information. Language is also evolving to increase our capacity to communicate more sophisticated abstractions as we advance as a species.
• Abstract（参考訳）: 階層は複雑なシステムのバックボーンであり、その分析によってそれらの構造とどのように進化するかをより深く理解することができる。 言語も複雑な適応システムであると考えている。 そこで,11世紀から17世紀にかけてのテキストのコーパスから作成されたドイツ語の歴史的構文ネットワークの階層構造を分析した。 これらのネットワークにおける構文構造の出現を追跡し、特定のコミュニケーションニーズにマッピングした。 これらの新興構造をコミュニケーティブ階層と名付けました 話者のコミュニケーションニーズは構文の組織的力であると仮定する。 我々は,これら複数階層の出現は構文を形作るものであり,それらの階層がzipfの法則の前提条件であることを示す。 コミュニケーション階層の出現は、言語進化の目的が情報伝達の効率を高めることだけではないことを示している。 言語はまた、種として進化するにつれて、より洗練された抽象化を伝える能力を高めるために進化しています。

関連論文リスト

• Unsupervised Mutual Learning of Dialogue Discourse Parsing and Topic Segmentation [38.956438905614256]
  修辞構造とトピック構造は、主に別々にモデル化されるか、または以前の作業で他方を補助する。 本稿では,グローバル・ローカル・コネクティビティを活用した2つの構造物の教師なし相互学習フレームワークを提案する。 また、局所コヒーレンス整合性を確保するために、グラフニューラルネットワークモデルを用いて、レトリック構造をトピック構造に組み込む。
  論文  参考訳（メタデータ） (2024-05-30T08:10:50Z)
• Revisiting Conversation Discourse for Dialogue Disentanglement [88.3386821205896]
  本稿では,対話談話特性を最大限に活用し,対話の絡み合いを高めることを提案する。 我々は,会話の意味的文脈をより良くモデル化するために,リッチな構造的特徴を統合する構造認識フレームワークを開発した。 我々の研究は、より広範なマルチスレッド対話アプリケーションを促進する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-06T19:17:47Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• Unsupervised Learning of Hierarchical Conversation Structure [50.29889385593043]
  ゴール指向の会話は、しばしば意味のあるサブ対話構造を持つが、ドメインに依存しやすい。 この研究は、ターンやサブダイアログのセグメントラベルを含む階層的な会話構造を学習するための教師なしのアプローチを導入する。 復号化構造は3つの会話レベル理解タスクのための言語ニューラルネットワークの強化に有用であることが示されている。
  論文  参考訳（メタデータ） (2022-05-24T17:52:34Z)
• Adaptive Hierarchical Graph Reasoning with Semantic Coherence for Video-and-Language Inference [81.50675020698662]
  Video-and-Language Inferenceは、最近提案された共同ビデオ・言語理解のタスクである。 本稿では,複雑な相互作用に関する映像の深い理解を実現する適応階層型グラフネットワークを提案する。 3つの階層から適応階層型グラフネットワークのセマンティックコヒーレンスを明示的に促進するためにセマンティックコヒーレンス学習を導入する。
  論文  参考訳（メタデータ） (2021-07-26T15:23:19Z)
• Structured Attention for Unsupervised Dialogue Structure Induction [110.12561786644122]
  本稿では、構造化された注意層を離散潜在状態を持つ変化型リカレントニューラルネットワーク(VRNN)モデルに組み込んで、教師なしの方法で対話構造を学ぶことを提案する。 バニラVRNNと比較して、構造化された注意は、構造的帰納バイアスを強制しながら、ソース文の埋め込みの異なる部分にフォーカスすることができる。
  論文  参考訳（メタデータ） (2020-09-17T23:07:03Z)
• Compositional Networks Enable Systematic Generalization for Grounded Language Understanding [21.481360281719006]
  人間は、今まで遭遇したことのない概念の組み合わせを含む新しい文を理解する際に、驚くほど柔軟です。 近年の研究では、深層ネットワークは、新しい文で表されるときの人間の言語能力を模倣できるが、体系的な変化は、ネットワークの言語理解能力の限界を明らかにする。 本稿では,gSCANデータセットの一般化問題に対処することで,これらの制限を克服できることを実証する。
  論文  参考訳（メタデータ） (2020-08-06T16:17:35Z)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-11T07:19:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。