Fugu-MT 論文翻訳(概要): Metaphors We Learn By

論文の概要: Metaphors We Learn By

arxiv url: http://arxiv.org/abs/2211.06441v1
Date: Fri, 11 Nov 2022 19:04:12 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 16:18:31.526992
Title: Metaphors We Learn By
Title（参考訳）: 私たちが学ぶメタファー
Authors: Roland Memisevic
Abstract要約: このエッセイでは、パラメータ共有とアナロジー作成と認知メタファーの学派を関連づける。静的な特徴から動的スキルやプロシージャへの類似性の拡張として、リカレントモデルと自動回帰モデルをどのように考えることができるかについて議論する。
参考スコア（独自算出の注目度）: 2.333702364038072
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Gradient based learning using error back-propagation (``backprop'') is a well-known contributor to much of the recent progress in AI. A less obvious, but arguably equally important, ingredient is parameter sharing - most well-known in the context of convolutional networks. In this essay we relate parameter sharing (``weight sharing'') to analogy making and the school of thought of cognitive metaphor. We discuss how recurrent and auto-regressive models can be thought of as extending analogy making from static features to dynamic skills and procedures. We also discuss corollaries of this perspective, for example, how it can challenge the currently entrenched dichotomy between connectionist and ``classic'' rule-based views of computation.
Abstract（参考訳）: エラーバックプロパゲーション(``backprop''')を使用したグラディエントベースの学習は、AIの最近の進歩の多くに広く貢献している。あまり明確ではないが、同時に重要な要素はパラメータ共有である - 畳み込みネットワークの文脈でよく知られたものだ。本論では,パラメータ共有 (``weight sharing'') を類似化と認知的メタファーの考え方に関連付ける。本稿では,リカレントモデルと自己回帰モデルについて,静的特徴から動的スキルや手順へのアナロジー生成の拡張として考える。例えば、コネクティビストと ‘classic'' のルールに基づく計算の見方の、現在定着している二分法にどのように挑戦できるかについて論じる。

関連論文リスト

Toward Understanding In-context vs. In-weight Learning [50.24035812301655]
本研究は,文脈内学習の出現と消失を引き起こす簡易な分布特性を同定する。そして、この研究を完全な大規模言語モデルに拡張し、自然言語プロンプトの様々なコレクションの微調整が、文脈内および重み付き学習の振る舞いをいかに引き出すかを示す。
論文参考訳（メタデータ） (2024-10-30T14:09:00Z)
Towards a Fully Interpretable and More Scalable RSA Model for Metaphor Understanding [0.8437187555622164]
Rational Speech Act (RSA) モデルは、計算用語で実用的推論をモデル化するための柔軟なフレームワークを提供する。本稿では、明示的な公式を提供することで制限に対処するメタファー理解のための新しいRSAフレームワークを提案する。このモデルは、従来の$textitJohn-is-a-shark$型に限らず、24のメタファでテストされた。
論文参考訳（メタデータ） (2024-04-03T18:09:33Z)
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)
A Message Passing Perspective on Learning Dynamics of Contrastive Learning [60.217972614379065]
特徴空間に対照的な目的を同等に配置すると、その学習力学は解釈可能な形式を持つことを示す。この視点はまた、対照的な学習とメッセージパッシンググラフニューラルネットワーク(MP-GNN)の間の興味深い関係を確立する。
論文参考訳（メタデータ） (2023-03-08T08:27:31Z)
Metaphor Generation with Conceptual Mappings [58.61307123799594]
我々は、関連する動詞を置き換えることで、リテラル表現を与えられた比喩文を生成することを目指している。本稿では,認知領域間の概念マッピングを符号化することで生成過程を制御することを提案する。教師なしCM-Lexモデルは,近年のディープラーニングメタファ生成システムと競合することを示す。
論文参考訳（メタデータ） (2021-06-02T15:27:05Z)
Contextual Modulation for Relation-Level Metaphor Identification [3.2619536457181075]
本稿では,ある文法的関係の関連レベルの比喩表現を識別するための新しいアーキテクチャを提案する。視覚的推論の研究にインスパイアされた方法論では、我々のアプローチは、深い文脈化された特徴にニューラルネットワークの計算を条件付けすることに基づいている。提案したアーキテクチャは,ベンチマークデータセット上で最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2020-10-12T12:07:02Z)
Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文参考訳（メタデータ） (2020-07-23T14:00:34Z)
Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文参考訳（メタデータ） (2020-06-11T05:35:16Z)
Analogy as Nonparametric Bayesian Inference over Relational Systems [10.736626320566705]
本稿では,従来の関係構造からの予測を類似的に重み付けすることで,関係知識を新しい環境に一般化するベイズモデルを提案する。この学習者は, 環境経験が小さい場合に, ランダム・ウィキペディア・システムから派生した関係データに基づいて, ナイーブな理論に基づく学習者より優れていることを示す。
論文参考訳（メタデータ） (2020-06-07T14:07:46Z)
Learning to See Analogies: A Connectionist Exploration [0.0]
この論文は、Analogatorと呼ばれるコンピュータプログラムの開発を通じて、学習と類推の統合を探求している。多くの異なる類推問題を「見る」ことで、可能な解とともに、アナロゲータは徐々に新しい類推を創り出す能力を発展させている。
論文参考訳（メタデータ） (2020-01-18T14:06:16Z)
Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning [157.62595449130973]
本稿では,現在の数ショット学習法における単純化型クラスモデリングの基本的問題について検討する。本稿では,ラベル情報をフル活用して画像表現を洗練するための,絶対相対学習パラダイムを提案する。
論文参考訳（メタデータ） (2020-01-12T12:25:46Z)

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。