論文の概要: A Review of Mechanistic Models of Event Comprehension

• arxiv url: http://arxiv.org/abs/2409.18992v1
• Date: Tue, 17 Sep 2024 22:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 05:10:43.384996
• Title: A Review of Mechanistic Models of Event Comprehension
• Title（参考訳）: 事象理解の力学モデルの検討
• Authors: Tan T. Nguyen,
• Abstract要約: 事象理解の理論的仮定と計算モデルについて考察する。 イベント理解の計算モデルとして,REPRISE,Structured Event Memory,Luモデル,Gumbschモデル,Elman and McRaeモデルを挙げる。 主要なテーマは、帰納的バイアスとしての階層構造の使用、理解における予測の重要性、作業イベントモデルのための多様な戦略である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This review examines theoretical assumptions and computational models of event comprehension, tracing the evolution from discourse comprehension theories to contemporary event cognition frameworks. The review covers key discourse comprehension accounts, including Construction-Integration, Event Indexing, Causal Network, and Resonance models, highlighting their contributions to understanding cognitive processes in comprehension. I then discuss contemporary theoretical frameworks of event comprehension, including Event Segmentation Theory (Zacks et al., 2007), the Event Horizon Model (Radvansky & Zacks, 2014), and Hierarchical Generative Framework (Kuperberg, 2021), which emphasize prediction, causality, and multilevel representations in event understanding. Building on these theories, I evaluate five computational models of event comprehension: REPRISE (Butz et al., 2019), Structured Event Memory (SEM; Franklin et al., 2020), the Lu model (Lu et al., 2022), the Gumbsch model (Gumbsch et al., 2022), and the Elman and McRae model (2019). The analysis focuses on their approaches to hierarchical processing, prediction mechanisms, and representation learning. Key themes that emerge include the use of hierarchical structures as inductive biases, the importance of prediction in comprehension, and diverse strategies for learning event dynamics. The review identifies critical areas for future research, including the need for more sophisticated approaches to learning structured representations, integrating episodic memory mechanisms, and developing adaptive updating algorithms for working event models. By synthesizing insights from both theoretical frameworks and computational implementations, this review aims to advance our understanding of human event comprehension and guide future modeling efforts in cognitive science.
• Abstract（参考訳）: 本稿では、談話理解理論から現代のイベント認知フレームワークへの進化を辿り、事象理解理論の理論的仮定と計算モデルについて考察する。 このレビューでは、コンストラクション・インテグレーション、イベントインデクシング、コーサルネットワーク、共鳴モデルなど、主要な談話理解アカウントを取り上げ、理解における認知プロセス理解への貢献を強調している。 次に、イベントセグメンテーション理論(Zacks et al , 2007)、イベントホライゾンモデル(Radvansky & Zacks, 2014)、階層生成フレームワーク(Kuperberg, 2021)など、イベント理解における予測、因果性、多段階表現など、イベント理解の現代的な理論的枠組みについて議論する。 これらの理論に基づいて、REPRISE (Butz et al , 2019), Structured Event Memory (SEM; Franklin et al , 2020), Lu model (Lu et al , 2022), Gumbsch model (Gumbsch et al , 2022), Elman and McRae model (2019)の5つのイベント理解モデルを評価する。 この分析は階層処理、予測機構、表現学習へのアプローチに焦点を当てている。 主要なテーマは、帰納的バイアスとしての階層構造の使用、理解における予測の重要性、イベントダイナミクスを学ぶための多様な戦略である。 このレビューでは、構造化表現を学習するためのより洗練されたアプローチの必要性、エピソード記憶機構の統合、作業イベントモデルのための適応更新アルゴリズムの開発など、将来の研究における重要な領域を明らかにしている。 理論的枠組みと計算的実装の両方から洞察を合成することにより、人間の事象理解の理解を深め、認知科学における未来のモデリングの取り組みを導くことを目的としている。

関連論文リスト

• Dynamics of Concept Learning and Compositional Generalization [23.43600409313907]
  本稿では,モデルが学習し,構造的に整理されたセントロイドとガウス混合体上でのアイデンティティマッピングを学習するSIMタスクを提案する。 我々は、このSIMタスクでトレーニングされたニューラルネットワークの学習力学を数学的に解析し、その単純さにもかかわらず、SIMの学習力学が重要な経験的観察を捉え、説明するのに役立っていることを示す。 私たちの理論はまた、トレーニングの初期段階におけるテスト損失の非単調学習ダイナミクスの新しいメカニズムを見つけるなど、いくつかの新しい洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-10T18:58:29Z)
• Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
  グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。 グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。 本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
  論文  参考訳（メタデータ） (2024-07-03T14:07:41Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Token Space: A Category Theory Framework for AI Computations [0.0]
  本稿では,深層学習モデルの解釈可能性と有効性を高めるために設計された,新しい数学的構造であるToken Spaceフレームワークを紹介する。 Tokenレベルで分類構造を確立することにより、AI計算を理解可能な新しいレンズを提供する。
  論文  参考訳（メタデータ） (2024-04-11T15:56:06Z)
• Unified View of Grokking, Double Descent and Emergent Abilities: A Perspective from Circuits Competition [83.13280812128411]
  近年の研究では、グラッキング、二重降下、大規模言語モデルにおける創発的能力など、ディープラーニングにおける興味深い現象が明らかにされている。 本稿では,記憶回路と一般化回路の競合に着目し,これら3つの現象の統一的な見方を提供する包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:14:36Z)
• The Case for Scalable, Data-Driven Theory: A Paradigm for Scientific Progress in NLP [10.013604276642218]
  言語構造に関するスケーラブルなデータ駆動理論の開発を中心に,NLPにおける科学的進歩のためのパラダイムを提案する。 データ収集と理論モデリングの原理を概説する。
  論文  参考訳（メタデータ） (2023-12-01T04:55:29Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Active Inference in Robotics and Artificial Agents: Survey and Challenges [51.29077770446286]
  我々は、状態推定、制御、計画、学習のためのアクティブ推論の最先端理論と実装についてレビューする。 本稿では、適応性、一般化性、堅牢性の観点から、その可能性を示す関連する実験を紹介する。
  論文  参考訳（メタデータ） (2021-12-03T12:10:26Z)
• Interpretable Reinforcement Learning Inspired by Piaget's Theory of Cognitive Development [1.7778609937758327]
  本稿では,思考の言語(LOTH)やスクリプト理論,ピアジェの認知発達理論などの理論が相補的なアプローチを提供するという考えを楽しませる。 提案するフレームワークは,人工知能システムにおいて,人間のような認知を実現するためのステップとみなすことができる。
  論文  参考訳（メタデータ） (2021-02-01T00:29:01Z)
• Formalising Concepts as Grounded Abstractions [68.24080871981869]
  このレポートは、表現学習が生データから概念を誘導する方法を示しています。 このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
  論文  参考訳（メタデータ） (2021-01-13T15:22:01Z)

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。