論文の概要: Recommendations for Systematic Research on Emergent Language
- arxiv url: http://arxiv.org/abs/2206.11302v1
- Date: Wed, 22 Jun 2022 18:10:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 03:51:23.919770
- Title: Recommendations for Systematic Research on Emergent Language
- Title（参考訳）: 創発語研究の体系化への提言
- Authors: Brendon Boldt, David Mortensen
- Abstract要約: 我々は、創発的な言語研究の全体目標を特定し、それらを科学または工学のいずれかに分類する。
我々は,科学と工学の中核となる方法論的要素を提示し,その役割を現在の創発的言語研究で分析し,これらの要素をどう適用するかを推奨する。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergent language is unique among fields within the discipline of machine
learning for its open-endedness, not obviously presenting well-defined problems
to be solved. As a result, the current research in the field has largely been
exploratory: focusing on establishing new problems, techniques, and phenomena.
Yet after these problems have been established, subsequent progress requires
research which can measurably demonstrate how it improves on prior approaches.
This type of research is what we call systematic research; in this paper, we
illustrate this mode of research specifically for emergent language. We first
identify the overarching goals of emergent language research, categorizing them
as either science or engineering. Using this distinction, we present core
methodological elements of science and engineering, analyze their role in
current emergent language research, and recommend how to apply these elements.
- Abstract（参考訳）: 創発的言語はその開放性に関して機械学習の分野内でユニークであり、解決すべき問題が明確に示されていない。
その結果、この分野の現在の研究は主に探索的であり、新しい問題、技術、現象の確立に焦点が当てられている。
しかし、これらの問題が解決された後、その後の進歩は、以前のアプローチでどのように改善するかを測定できる研究が必要である。
この種の研究はシステマティック・リサーチと呼ばれており,本稿では,創発的言語に特有な研究方法を紹介する。
まず、創発的な言語研究の全体目標を特定し、それらを科学か工学のいずれかに分類する。
この区別を用いて,科学と工学の中心的な方法論的要素を提示し,現在の創発的言語研究におけるその役割を分析し,これらの要素の応用を推奨する。
関連論文リスト
- Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - Teaching Research Design in Software Engineering [1.9659095632676098]
経験的ソフトウェア工学(ESE)は、新しい技術を採用する際の実践を伝える知識を批判的に評価し提供することを目的とした競争力として登場した。
この章では、ESEにおけるソフトウェアエンジニアと研究者の教育に不可欠な研究設計の基礎的スキルについて教えている。
論文 参考訳（メタデータ） (2024-07-06T21:06:13Z) - A Review of the Applications of Deep Learning-Based Emergent Communication [1.6574413179773761]
創発的コミュニケーション(英: Emergent Communication)または創発的言語(英: emergent language)は、人間の言語に似たコミュニケーションシステムが深層強化学習環境においてどのように出現するかを研究する研究分野である。
本稿では,機械学習,自然言語処理,言語学,認知科学における創発的コミュニケーション研究の応用を包括的にレビューする。
論文 参考訳（メタデータ） (2024-07-03T17:43:54Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - Language Evolution with Deep Learning [49.879239655532324]
計算モデリングは言語の出現の研究において重要な役割を担っている。
構造化言語の出現を誘発する可能性のある条件と学習プロセスをシミュレートすることを目的としている。
この章では、最近機械学習の分野に革命をもたらした別の種類の計算モデル、ディープ・ラーニング・モデルについて論じる。
論文 参考訳（メタデータ） (2024-03-18T16:52:54Z) - Parsing Objects at a Finer Granularity: A Survey [54.72819146263311]
微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。
卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。
我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
論文 参考訳（メタデータ） (2022-12-28T04:20:10Z) - Automatic Related Work Generation: A Meta Study [5.025654873456755]
自然言語処理では、通常「関連作業」という節で文献レビューが行われる。
自動作業生成の課題は, 「関連作業」 セクションを自動生成することである。
本稿では,問題定式化,データセット収集,方法論的アプローチ,性能評価,今後の展望の観点から,関連作業生成に関する既存の文献をメタスタディで比較する。
論文 参考訳（メタデータ） (2022-01-06T01:16:38Z) - Software-Based Dialogue Systems: Survey, Taxonomy and Challenges [4.2763155274587366]
本稿では,2次研究の体系的な文献レビューを通じて,会話エージェントの研究の現状について調査する。
そこで本研究では,対話エージェントの分野における異なる次元の包括的分類法を提案する。
論文 参考訳（メタデータ） (2021-06-21T07:41:44Z) - The CSO Classifier: Ontology-Driven Detection of Research Topics in
Scholarly Articles [0.0]
コンピュータサイエンスオントロジー(CSO)に基づく研究論文の自動分類のための新しい教師なしアプローチを紹介します。
CSOは、研究論文(タイトル、抽象、キーワード)に関連するメタデータを入力として取り、オントロジーから引き出された研究概念の選択を返します。
このアプローチは、手作業による注釈付き記事のゴールドスタンダードで評価され、代替方法よりも大幅に改善されました。
論文 参考訳（メタデータ） (2021-04-02T09:02:32Z) - A New Neural Search and Insights Platform for Navigating and Organizing
AI Research [56.65232007953311]
我々は、古典的なキーワード検索とニューラル検索を組み合わせた新しいプラットフォームであるAI Research Navigatorを導入し、関連する文献を発見し整理する。
本稿では,システム全体のアーキテクチャの概要と,文書分析,質問応答,検索,分析,専門家検索,レコメンデーションの構成要素について概説する。
論文 参考訳（メタデータ） (2020-10-30T19:12:25Z) - Positioning yourself in the maze of Neural Text Generation: A
Task-Agnostic Survey [54.34370423151014]
本稿では, ストーリーテリング, 要約, 翻訳など, 世代ごとのタスクインパクトをリレーする手法の構成要素について検討する。
本稿では,学習パラダイム,事前学習,モデリングアプローチ,復号化,各分野における重要な課題について,命令的手法の抽象化を提案する。
論文 参考訳（メタデータ） (2020-10-14T17:54:42Z)
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。