論文の概要: Comparing Pre-trained Human Language Models: Is it Better with Human Context as Groups, Individual Traits, or Both?

• arxiv url: http://arxiv.org/abs/2401.12492v3
• Date: Thu, 18 Jul 2024 21:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 00:06:44.446865
• Title: Comparing Pre-trained Human Language Models: Is it Better with Human Context as Groups, Individual Traits, or Both?
• Title（参考訳）: 事前学習された人間の言語モデルの比較:グループ、個人的傾向、あるいはその両方として人間の文脈より優れているか?
• Authors: Nikita Soni, Niranjan Balasubramanian, H. Andrew Schwartz, Dirk Hovy,
• Abstract要約: 人間中心の自然言語処理には、人間のコンテキストを言語モデルに組み込む必要がある。 現在、1)グループワイド属性(例:45歳以上)での事前トレーニング、または2)個々の特性の2つの方法が存在する。 事前学習モデルと,1)グループ属性,2)個人属性,3)ユーザレベルと文書レベルの5つのタスクに対する複合アプローチによる人間コンテキストとの比較を行った。
• 参考スコア（独自算出の注目度）: 36.03935815294279
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pre-trained language models consider the context of neighboring words and documents but lack any author context of the human generating the text. However, language depends on the author's states, traits, social, situational, and environmental attributes, collectively referred to as human context (Soni et al., 2024). Human-centered natural language processing requires incorporating human context into language models. Currently, two methods exist: pre-training with 1) group-wise attributes (e.g., over-45-year-olds) or 2) individual traits. Group attributes are simple but coarse -- not all 45-year-olds write the same way -- while individual traits allow for more personalized representations, but require more complex modeling and data. It is unclear which approach benefits what tasks. We compare pre-training models with human context via 1) group attributes, 2) individual users, and 3) a combined approach on five user- and document-level tasks. Our results show that there is no best approach, but that human-centered language modeling holds avenues for different methods.
• Abstract（参考訳）: 事前訓練された言語モデルは、隣接する単語や文書の文脈を考慮するが、人間がテキストを生成するという作者の文脈は欠如している。 しかし、言語は著者の状況、特徴、社会的、状況的、環境的属性に依存し、総称して人間の文脈と呼ばれる(Soni et al , 2024)。 人間中心の自然言語処理には、人間のコンテキストを言語モデルに組み込む必要がある。 現在、事前学習という2つの方法が存在する。 1)集団的属性(例:45歳以上) 2)個々の特徴。 グループ属性は単純だが粗い - すべての45歳の人が同じように書くわけではない - 個々の特性はよりパーソナライズされた表現を可能にするが、より複雑なモデリングとデータを必要とする。 どのようなアプローチがどのタスクに役立つのかは不明だ。 我々は、事前学習モデルと人間の文脈の比較を行う。 1)グループ属性 2)個人使用者,及び 3) ユーザレベルとドキュメントレベルの5つのタスクに対する複合的なアプローチ。 この結果から,人間中心の言語モデリングは様々な手法の道筋を保っていることが示唆された。

関連論文リスト

• DevBench: A multimodal developmental benchmark for language learning [0.34129029452670606]
  タスクと行動データに基づいて視覚言語モデルを評価するベンチマークであるDevBenchを紹介する。 DevBenchは、モデルを人間の言語開発と比較するためのベンチマークを提供する。 これらの比較は、モデルと人間の言語学習プロセスの分岐方法を強調する。
  論文  参考訳（メタデータ） (2024-06-14T17:49:41Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• Sentence Level Curriculum Learning for Improved Neural Conversational Models [0.0]
  我々は、人間と会話するための機械知能の設計方法を研究する。 私たちのゴールは、各セグメントのコーパスが長い文対で構成されているように、トレーニングをセグメントに分けることです。 これは、人間の学習の望ましい"ビルドアップ"コンポーネントを模倣します。
  論文  参考訳（メタデータ） (2023-05-15T17:28:59Z)
• Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
  我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。 我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。 そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
  論文  参考訳（メタデータ） (2023-02-06T10:28:16Z)
• Can language models handle recursively nested grammatical structures? A case study on comparing models and humans [0.0]
  言語モデルと人間の能力を比較するには? 私は、ネストした文法構造の処理というケーススタディを考えます。 特定の現象の認知モデルを評価することと、広範囲に訓練されたモデルを評価することには、重要な違いがあることを示唆する。
  論文  参考訳（メタデータ） (2022-10-27T10:25:12Z)
• Human Language Modeling [20.66485974271458]
  本稿では,文書のシーケンスを接続する人間レベルが存在する言語モデリング問題に対する階層的拡張を提案する。 本稿では,約10万人のソーシャルメディアユーザを対象に,Humleタスクのための大規模トランスフォーマーモデルHaRTを紹介する。 すべてのタスクの結果が、現在の最先端の状況を満たしたり、超えたりします。
  論文  参考訳（メタデータ） (2022-05-10T19:11:12Z)
• Training Language Models with Natural Language Feedback [51.36137482891037]
  3段階学習アルゴリズムを用いてモデル出力の言語フィードバックから学習する。 合成実験において、まず言語モデルがフィードバックを正確に組み込んで改良を行うかどうかを評価する。 人間の手書きフィードバックのサンプルは100程度しかなく, 学習アルゴリズムはGPT-3モデルを微調整し, ほぼ人間レベルの要約を行う。
  論文  参考訳（メタデータ） (2022-04-29T15:06:58Z)
• Estimating Subjective Crowd-Evaluations as an Additional Objective to Improve Natural Language Generation [0.0]
  我々は6つの異なる言語生成モデルについて,群衆による対話コーパスを用いて微調整を行う。 これらのモデルのうち2つはマルチタスク学習を取り入れ、明確な学習目標の一部としてラインの主観評価を使用する。 生成した対話行の人間による評価では、マルチタスクモデルによって生成された発話が主観的に最も典型的であり、最も会話を前進させ、最も攻撃的であることを明らかにした。
  論文  参考訳（メタデータ） (2021-04-12T06:33:16Z)
• Grounded Compositional Outputs for Adaptive Language Modeling [59.02706635250856]
  言語モデルの語彙$-$典型的にはトレーニング前に選択され、後で永久に固定される$-$は、そのサイズに影響します。 言語モデルのための完全合成出力埋め込み層を提案する。 我々の知る限り、この結果はトレーニング語彙に依存しないサイズを持つ最初の単語レベル言語モデルである。
  論文  参考訳（メタデータ） (2020-09-24T07:21:14Z)
• XPersona: Evaluating Multilingual Personalized Chatbot [76.00426517401894]
  我々はペルソナ・チャットの多言語拡張(XPersona)を提案する。 我々のデータセットには、多言語パーソナライズされたエージェントの構築と評価のための英語以外の6言語でのペルソナ会話が含まれています。
  論文  参考訳（メタデータ） (2020-03-17T07:52:08Z)

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。