論文の概要: Symbol emergence as interpersonal cross-situational learning: the
emergence of lexical knowledge with combinatoriality
- arxiv url: http://arxiv.org/abs/2306.15837v1
- Date: Tue, 27 Jun 2023 23:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 16:27:43.572199
- Title: Symbol emergence as interpersonal cross-situational learning: the
emergence of lexical knowledge with combinatoriality
- Title（参考訳）: 対人横断学習としてのシンボルの出現--語彙的知識の出現と組み合わせ
- Authors: Yoshinobu Hagiwara, Kazuma Furukawa, Takafumi Horie, Akira Taniguchi,
and Tadahiro Taniguchi
- Abstract要約: 本稿では,認知・発達ロボティクスにおけるシンボル出現システムの計算モデルを提案する。
提案手法は,カテゴリー形成を行うことにより,メトロポリスティの語彙的知識の出現を促進する。
本研究は,提案モデルを用いて開発した語彙知識が,新たな状況における性能を示すことを示すものである。
- 参考スコア（独自算出の注目度）: 5.350057408744861
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a computational model for a symbol emergence system that enables
the emergence of lexical knowledge with combinatoriality among agents through a
Metropolis-Hastings naming game and cross-situational learning. Many
computational models have been proposed to investigate combinatoriality in
emergent communication and symbol emergence in cognitive and developmental
robotics. However, existing models do not sufficiently address category
formation based on sensory-motor information and semiotic communication through
the exchange of word sequences within a single integrated model. Our proposed
model facilitates the emergence of lexical knowledge with combinatoriality by
performing category formation using multimodal sensory-motor information and
enabling semiotic communication through the exchange of word sequences among
agents in a unified model. Furthermore, the model enables an agent to predict
sensory-motor information for unobserved situations by combining words
associated with categories in each modality. We conducted two experiments with
two humanoid robots in a simulated environment to evaluate our proposed model.
The results demonstrated that the agents can acquire lexical knowledge with
combinatoriality through interpersonal cross-situational learning based on the
Metropolis-Hastings naming game and cross-situational learning. Furthermore,
our results indicate that the lexical knowledge developed using our proposed
model exhibits generalization performance for novel situations through
interpersonal cross-modal inference.
- Abstract（参考訳）: 本稿では,メトロポリス・ハスティングス命名ゲームと断続学習を通じて,エージェント間の組合せ性による語彙知識の出現を可能にするシンボル出現システムのための計算モデルを提案する。
認知・発達ロボティクスにおける創発的コミュニケーションとシンボル発生の組合せ性を研究するために,多くの計算モデルが提案されている。
しかし,既存のモデルでは,単一統合モデルにおける単語列の交換による感覚運動情報やセミオティック通信に基づくカテゴリ形成には十分対応していない。
提案モデルは,マルチモーダル感覚運動情報を用いてカテゴリー形成を行い,エージェント間の単語列の交換を通じて記号的コミュニケーションを実現することで,組合せ性を持つ語彙知識の出現を促進する。
さらに、モデルにより、エージェントは各モードのカテゴリに関連付けられた単語を組み合わせて、観測されていない状況に対する感覚運動情報を予測することができる。
シミュレーション環境で2台のヒューマノイドロボットを用いて実験を行い,提案モデルの評価を行った。
その結果,メトロポリス・ハスティングズ命名ゲームとクロスシチュエーション学習に基づく対人クロスシチュエーション学習により,組合せ性を持つ語彙知識を得ることができることがわかった。
さらに,本モデルを用いて開発した語彙知識は,対人的相互モーダル推論による新たな状況に対する一般化性能を示すことを示す。
関連論文リスト
- MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities [72.68829963458408]
異種モデルのパラメータ空間のギャップを埋めることを学ぶMergeNetを提案する。
MergeNetの中核となるメカニズムはパラメータアダプタにあり、ソースモデルの低ランクパラメータをクエリすることで動作する。
MergeNetは両方のモデルと共に学習され、我々のフレームワークは、現在のステージに関する知識を動的に転送し、適応することができます。
論文 参考訳（メタデータ） (2024-04-20T08:34:39Z) - Models of symbol emergence in communication: a conceptual review and a
guide for avoiding local minima [0.0]
計算シミュレーションは、通信の出現に関する仮説をテストする一般的な方法である。
我々は、いくつかの最も代表的なモデルの仮定と説明的対象を特定し、既知の結果を要約する。
この観点から、意味ある象徴的コミュニケーションの出現をモデル化する道のりをスケッチする。
論文 参考訳（メタデータ） (2023-03-08T12:53:03Z) - A Probabilistic Model Of Interaction Dynamics for Dyadic Face-to-Face
Settings [1.9544213396776275]
我々は,対面設定における対の参加者間の相互作用のダイナミクスを捉える確率論的モデルを開発した。
この相互作用エンコーディングは、あるエージェントの将来のダイナミクスを予測する際に、生成に影響を与えるために使用される。
我々のモデルは, 相互作用する力学に基づいて, モード間のデライン化に成功していることを示す。
論文 参考訳（メタデータ） (2022-07-10T23:31:27Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳（メタデータ） (2022-03-03T20:52:47Z) - Meta-brain Models: biologically-inspired cognitive agents [0.0]
メタ脳モデルと呼ぶ計算手法を提案する。
特殊なモデルを用いて構成したレイヤの組み合わせを提案する。
我々は、この柔軟でオープンソースなアプローチの開発における次のステップを提案して、結論付けます。
論文 参考訳（メタデータ） (2021-08-31T05:20:53Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - Controlling Synthetic Characters in Simulations: A Case for Cognitive
Architectures and Sigma [0.0]
シミュレーションは、参加する合成文字に対して現実的で信頼できる振る舞いを生成する知性の計算モデルを必要とする。
Sigmaは認知アーキテクチャとシステムであり、象徴的認知アーキテクチャ、確率的グラフィカルモデル、そしてより最近のニューラルモデルに関する40年間にわたる独立した研究から学んだことを、そのグラフィカルアーキテクチャ仮説の下で組み合わせようとしている。
本稿では,Sigmaを多種多様な機能とともに導入し,その組み合わせを強調するために3つの概念実証Sigmaモデルを使用する。
論文 参考訳（メタデータ） (2021-01-06T19:07:36Z) - Neuro-Symbolic Representations for Video Captioning: A Case for
Leveraging Inductive Biases for Vision and Language [148.0843278195794]
ビデオキャプションのためのマルチモーダルなニューラルシンボリック表現を学習するための新しいモデルアーキテクチャを提案する。
本手法では,ビデオ間の関係を学習する辞書学習手法と,そのペアによるテキスト記述を用いる。
論文 参考訳（メタデータ） (2020-11-18T20:21:19Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-10-27T13:17:18Z) - Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。
良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
論文 参考訳（メタデータ） (2020-06-18T15:50:57Z) - Structural Inductive Biases in Emergent Communication [36.26083882473554]
グラフ参照ゲームの開発による人工エージェントにおける表現学習の影響について検討する。
グラフニューラルネットワークによりパラメータ化されたエージェントは、単語のバッグやシーケンスモデルと比較して、より構成的な言語を開発する。
論文 参考訳（メタデータ） (2020-02-04T14:59:08Z)
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。