論文の概要: Understanding Narratives through Dimensions of Analogy
- arxiv url: http://arxiv.org/abs/2206.07167v1
- Date: Tue, 14 Jun 2022 20:56:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 12:49:18.147947
- Title: Understanding Narratives through Dimensions of Analogy
- Title（参考訳）: アナロジーの次元による物語の理解
- Authors: Thiloshon Nagarajah, Filip Ilievski, Jay Pujara
- Abstract要約: アナロジカル推論は、人間が二つの状況を接続し、その知識を慣れ親しんだものから新しいものへと一般化する強力なツールである。
アナログによる推論の可能性を持つ現代のスケーラブルなAI技術は、比例アナロジーの特別なケースにのみ適用されている。
本稿では,(1)認知科学研究の熟達した知見に基づいて6次元のアナロジーを形式化し,(2)それぞれの次元でファブルのコーパスを注釈し,(3)AI技術のスケーラブルな評価を可能にする複雑さを増す4つのタスクを定義することによって,ギャップを埋めることを目的とする。
- 参考スコア（独自算出の注目度）: 17.68704739786042
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Analogical reasoning is a powerful qualitative reasoning tool that enables
humans to connect two situations, and to generalize their knowledge from
familiar to novel situations. Cognitive Science research provides valuable
insights into the richness and complexity of analogical reasoning, together
with implementations of expressive analogical reasoners with limited
scalability. Modern scalable AI techniques with the potential to reason by
analogy have been only applied to the special case of proportional analogy, and
not to understanding higher-order analogies. In this paper, we aim to bridge
the gap by: 1) formalizing six dimensions of analogy based on mature insights
from Cognitive Science research, 2) annotating a corpus of fables with each of
these dimensions, and 3) defining four tasks with increasing complexity that
enable scalable evaluation of AI techniques. Experiments with language models
and neuro-symbolic AI reasoners on these tasks reveal that state-of-the-art
methods can be applied to reason by analogy with a limited success, motivating
the need for further research towards comprehensive and scalable analogical
reasoning by AI. We make all our code and data available.
- Abstract（参考訳）: アナロジカル推論(Analogical reasoning)は、人間が2つの状況に接続し、慣れ親しんだ状況から新しい状況への知識を一般化できる強力な定性的推論ツールである。
認知科学研究は、拡張性に制限のある表現的類似推論の実装とともに、アナログ推論の豊かさと複雑さに関する貴重な洞察を提供する。
アナログによる推論の可能性を持つ現代のスケーラブルなAI技術は、比例類似の特別なケースにのみ適用され、高次類似の理解には適用されていない。
本稿では,このギャップを橋渡しすることを目的とする。
1)認知科学研究の成熟した洞察に基づくアナロジーの6次元の定式化
2)fablesのコーパスをこれら各次元にアノテートすること、及び
3)AI技術のスケーラブルな評価を可能にする複雑さを増した4つのタスクを定義する。
これらのタスクにおける言語モデルとニューロシンボリックAI推論を用いた実験では、最先端の手法が、限られた成功のアナログによって推論に適用可能であることを示し、AIによる包括的でスケーラブルなアナログ推論へのさらなる研究の必要性を動機付けている。
すべてのコードとデータを利用可能にします。
関連論文リスト
- Analogical proportions II [0.0]
アナロジカル推論(アナロジカル推論)は、2つの遠い物体や状況の間の平行を検知する能力である。
a$ is to $b$ is to $c$ is to $d$'' at the core of analogical reasoning。
論文 参考訳（メタデータ） (2024-05-22T09:02:12Z) - ARN: Analogical Reasoning on Narratives [13.707344123755126]
我々は、物語要素を用いて表面マッピングとシステムマッピングを作成する、アナロジーの支配的理論を運用するフレームワークを開発する。
すべてのLLMがほぼ類似点を認識できるが、最大でもゼロショット環境では極端に類似点に苦戦している。
論文 参考訳（メタデータ） (2023-10-02T08:58:29Z) - Why Do We Need Neuro-symbolic AI to Model Pragmatic Analogies? [6.8107181513711055]
知性の目印は、慣れ親しんだドメインを使用して、アナログ推論として知られる、あまり親しみのないドメインについての推論を行う能力である。
語彙的類推,構文的類推,意味的類推,実用的類推の4つの異なるレベルにおける類推について論じる。
我々は、統計とシンボルAIを組み合わせたニューロシンボリックAI技術を採用し、構造化されていないテキストの表現を通知し、関連コンテンツを強調し、拡張し、抽象化を提供し、マッピングプロセスを導く。
論文 参考訳（メタデータ） (2023-08-02T21:13:38Z) - Beneath Surface Similarity: Large Language Models Make Reasonable
Scientific Analogies after Structure Abduction [46.2032673640788]
人間の認知における類推的推論の不可欠な役割は、共用関係構造を通して親しみやすい概念とリンクすることで、新しい概念を把握できることである。
この研究は、Large Language Models (LLM) がこれらの類似の基盤となる構造をしばしば見落としていることを示唆している。
本稿では,2つのシステム間の類似性を形成する構造を導出するための,認知心理学に基づく類推的構造推論の課題を紹介する。
論文 参考訳（メタデータ） (2023-05-22T03:04:06Z) - ANALOGYKB: Unlocking Analogical Reasoning of Language Models with A Million-scale Knowledge Base [51.777618249271725]
ANALOGYKBは、既存の知識グラフ(KGs)から派生した100万スケールのアナロジー知識ベースである
1)KGから直接抽出できる同一関係のアナロジー、2)大きな言語モデル(LLM)によって実現される選択とフィルタリングパイプラインと識別される類似関係のアナロジーである。
論文 参考訳（メタデータ） (2023-05-10T09:03:01Z) - Machine Common Sense [77.34726150561087]
機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである
本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
論文 参考訳（メタデータ） (2020-06-15T13:59:47Z) - Neural Analogical Matching [8.716086137563243]
人間と類似することの重要性は、人工知能の幅広い分野における研究の活発な領域となった。
本稿では,構造的,記号的表現間の類似を学習するニューラルネットワークであるAnalogical Matching Networkを紹介する。
論文 参考訳（メタデータ） (2020-04-07T17:50:52Z) - Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。
具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文 参考訳（メタデータ） (2020-03-09T15:04:07Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z) - Learning from Learning Machines: Optimisation, Rules, and Social Norms [91.3755431537592]
経済的な実体の行動に最も類似したAIの領域は道徳的に良い意思決定の領域であるようだ。
近年のAIにおけるディープラーニングの成功は、そのような問題を解決するための明示的な仕様よりも暗黙的な仕様の方が優れていることを示唆している。
論文 参考訳（メタデータ） (2019-12-29T17:42:06Z)
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。