論文の概要: Measuring individual semantic networks: A simulation study

• arxiv url: http://arxiv.org/abs/2410.18326v1
• Date: Wed, 23 Oct 2024 23:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:44:10.718341
• Title: Measuring individual semantic networks: A simulation study
• Title（参考訳）: 個別意味ネットワークの測定:シミュレーションによる研究
• Authors: Samuel Aeschbach, Rui Mata, Dirk U. Wulff,
• Abstract要約: 本研究では,個別のセマンティックネットワークの推定に基づく心理測定特性を調査するリカバリシミュレーションを行う。 以上の結果から,セマンティックネットワークの推論成功は達成可能であるが,同時に重要な課題も浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurately capturing individual differences in semantic networks is fundamental to advancing our mechanistic understanding of semantic memory. Past empirical attempts to construct individual-level semantic networks from behavioral paradigms may be limited by data constraints. To assess these limitations and propose improved designs for the measurement of individual semantic networks, we conducted a recovery simulation investigating the psychometric properties underlying estimates of individual semantic networks obtained from two different behavioral paradigms: free associations and relatedness judgment tasks. Our results show that successful inference of semantic networks is achievable, but they also highlight critical challenges. Estimates of absolute network characteristics are severely biased, such that comparisons between behavioral paradigms and different design configurations are often not meaningful. However, comparisons within a given paradigm and design configuration can be accurate and generalizable when based on designs with moderate numbers of cues, moderate numbers of responses, and cue sets including diverse words. Ultimately, our results provide insights that help evaluate past findings on the structure of semantic networks and design new studies capable of more reliably revealing individual differences in semantic networks.
• Abstract（参考訳）: セマンティック・ネットワークにおける個々の違いを正確に把握することは、セマンティック・メモリの機械的理解を促進するのに不可欠である。 個人レベルのセマンティックネットワークを行動パラダイムから構築しようとする過去の経験的試みは、データ制約によって制限される可能性がある。 これらの制約を評価し,個々の意味ネットワークを測定するための改良された設計を提案するために,2つの異なる行動パラダイムから得られる個々の意味ネットワークの推定値である,自由関連性および関連性判定タスクを基礎とした心理測定特性について調査した。 以上の結果から,セマンティックネットワークの推論成功は達成可能であるが,同時に重要な課題も浮き彫りにしている。 絶対的なネットワーク特性の推定は、行動パラダイムと異なる設計構成の比較が意味をなさないように、大きく偏っている。 しかし、あるパラダイムと設計構成における比較は、適度な数のキュー、適度な応答数、多様な単語を含むキューセットの設計に基づいて、正確かつ一般化することができる。 最終的には,セマンティックネットワークの構造に関する過去の知見を評価する上で有効な洞察を提供し,セマンティックネットワークの個人差をより確実に明らかにする新しい研究を設計する。

関連論文リスト

• Uncertainty estimation via ensembles of deep learning models and dropout layers for seismic traces [27.619194576741673]
  本研究では, 第一運動極性に基づく地震波形の分類を行うために, 畳み込みニューラルネットワーク(CNN)を開発した。 我々は不確実性を推定するためにネットワークのアンサンブルを構築した。 ネットワークのアンサンブルの不確実性推定能力は,ドロップアウト層を用いて向上することができる。
  論文  参考訳（メタデータ） (2024-10-08T15:22:15Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Visual Analytics of Multivariate Networks with Representation Learning and Composite Variable Construction [19.265502727154473]
  本稿では,多変量ネットワーク研究のための視覚解析ワークフローを提案する。 それは、データを分類するニューラルネットワークベースの学習フェーズ、次元の削減と最適化フェーズ、ユーザが実行する解釈フェーズで構成される。 ニューラルネットワークから得られる非線形特徴を直感的に解釈できる線形特徴にモデル化する複合変数構築ステップが,我々の設計の鍵となる。
  論文  参考訳（メタデータ） (2023-03-16T18:31:18Z)
• Bayesian Networks for Named Entity Prediction in Programming Community Question Answering [0.0]
  ベイジアンネットワークを用いた自然言語処理のための新しい手法を提案し,その文脈を予測・解析する。 ベイジアンネットワークとBIC、BDeu、K2、Chow-Liuといったスコアメトリクスを比較した。 さらに,有向非巡回グラフの可視化を行い,意味的関係を解析する。
  論文  参考訳（メタデータ） (2023-02-26T07:26:36Z)
• Quasi-orthogonality and intrinsic dimensions as measures of learning and generalisation [55.80128181112308]
  ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。 本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
  論文  参考訳（メタデータ） (2022-03-30T21:47:32Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• A Minimalist Dataset for Systematic Generalization of Perception, Syntax, and Semantics [131.93113552146195]
  我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。 HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。 我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
  論文  参考訳（メタデータ） (2021-03-02T01:32:54Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)
• Semi-Structured Distributional Regression -- Extending Structured Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
  本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。 数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
  論文  参考訳（メタデータ） (2020-02-13T21:01:26Z)

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。