論文の概要: Is analogy enough to draw novel adjective-noun inferences?

• arxiv url: http://arxiv.org/abs/2503.24293v1
• Date: Mon, 31 Mar 2025 16:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:36:32.844199
• Title: Is analogy enough to draw novel adjective-noun inferences?
• Title（参考訳）: アナロジーは、新しい形容詞-名詞推論を引き出すのに十分か?
• Authors: Hayley Ross, Kathryn Davidson, Najoung Kim,
• Abstract要約: 本研究は, 合成を必要とせず, 既知の推論に類似して推論を導出できるかどうかを考察する。 人間とLLMの両方が収束推論を導出するが、アナロジーではうまく扱えない新しい組み合わせが存在することがわかった。
• 参考スコア（独自算出の注目度）: 9.30694340695458
• License:
• Abstract: Recent work (Ross et al., 2025, 2024) has argued that the ability of humans and LLMs respectively to generalize to novel adjective-noun combinations shows that they each have access to a compositional mechanism to determine the phrase's meaning and derive inferences. We study whether these inferences can instead be derived by analogy to known inferences, without need for composition. We investigate this by (1) building a model of analogical reasoning using similarity over lexical items, and (2) asking human participants to reason by analogy. While we find that this strategy works well for a large proportion of the dataset of Ross et al. (2025), there are novel combinations for which both humans and LLMs derive convergent inferences but which are not well handled by analogy. We thus conclude that the mechanism humans and LLMs use to generalize in these cases cannot be fully reduced to analogy, and likely involves composition.
• Abstract（参考訳）: 最近の研究 (Ross et al , 2025, 2024) は、人間とLLMがそれぞれ新しい形容詞と名詞の組み合わせに一般化する能力は、それぞれが句の意味を判断し推論を導出するための構成的メカニズムにアクセスできることを示していると主張している。 これらの推論は、合成を必要とせず、既知の推論と類似して導出できるかどうかを考察する。 本研究は,(1)語彙項目間の類似性を用いた類推モデルの構築,(2)類推による類推を求めることによる。 この戦略はRoss et al (2025) のデータセットの大部分に有効であることがわかったが、人間とLLMの両方が収束推論を導出するが、アナロジーではうまく扱えない新しい組み合わせが存在する。 したがって、人間とLLMがこれらのケースで一般化するために使用するメカニズムは、アナログに完全に還元することはできず、おそらく構成に関係していると考えられる。

関連論文リスト

• Can Large Language Models generalize analogy solving like people can? [46.02074643846298]
  人には「体 : 足 : テーブル :」のような類似を解く能力が幼少期に出現する。 近年の研究では、大規模言語モデル(LLM)が様々な種類の類似を解くことができることが示されている。
  論文  参考訳（メタデータ） (2024-11-04T18:18:38Z)
• A Complexity-Based Theory of Compositionality [53.025566128892066]
  AIでは、構成表現は配布外一般化の強力な形式を可能にすることができる。 ここでは、構成性に関する直観を考慮し、拡張する構成性の公式な定義を提案する。 この定義は概念的には単純で量的であり、アルゴリズム情報理論に基礎を置いており、あらゆる表現に適用できる。
  論文  参考訳（メタデータ） (2024-10-18T18:37:27Z)
• AnaloBench: Benchmarking the Identification of Abstract and Long-context Analogies [19.613777134600408]
  アナロジー思考は、人間が創造的な方法で問題を解決することを可能にする。 言語モデル(LM)も同じことができますか? ベンチマークアプローチは、人間に共通するこの能力の側面に焦点を当てます。
  論文  参考訳（メタデータ） (2024-02-19T18:56:44Z)
• StoryAnalogy: Deriving Story-level Analogies from Large Language Models to Unlock Analogical Understanding [72.38872974837462]
  大規模ストーリーレベルの類似語コーパスを構築することにより,類似語を識別・生成する能力を評価する。 textscStory Analogyには、さまざまなドメインから24Kストーリーペアが含まれており、拡張された構造マッピング理論の2つの類似点に人間のアノテーションがある。 我々は、textscStory Analogyのデータは、大言語モデルにおけるアナログ生成の品質を向上させることができることを観察した。
  論文  参考訳（メタデータ） (2023-10-19T16:29:23Z)
• 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)
• Why Do We Need Neuro-symbolic AI to Model Pragmatic Analogies? [6.8107181513711055]
  知性の目印は、慣れ親しんだドメインを使用して、アナログ推論として知られる、あまり親しみのないドメインについての推論を行う能力である。 語彙的類推,構文的類推,意味的類推,実用的類推の4つの異なるレベルにおける類推について論じる。 我々は、統計とシンボルAIを組み合わせたニューロシンボリックAI技術を採用し、構造化されていないテキストの表現を通知し、関連コンテンツを強調し、拡張し、抽象化を提供し、マッピングプロセスを導く。
  論文  参考訳（メタデータ） (2023-08-02T21:13:38Z)
• Beneath Surface Similarity: Large Language Models Make Reasonable Scientific Analogies after Structure Abduction [46.2032673640788]
  人間の認知における類推的推論の不可欠な役割は、共用関係構造を通して親しみやすい概念とリンクすることで、新しい概念を把握できることである。 この研究は、Large Language Models (LLM) がこれらの類似の基盤となる構造をしばしば見落としていることを示唆している。 本稿では,2つのシステム間の類似性を形成する構造を導出するための,認知心理学に基づく類推的構造推論の課題を紹介する。
  論文  参考訳（メタデータ） (2023-05-22T03:04:06Z)
• Are Representations Built from the Ground Up? An Empirical Examination of Local Composition in Language Models [91.3755431537592]
  構成的・非構成的句を表現することは言語理解にとって重要である。 まず,より長いフレーズのLM-内部表現を,その構成成分から予測する問題を定式化する。 意味的構成性の人間の判断と相関する予測精度を期待するが、大部分はそうではない。
  論文  参考訳（メタデータ） (2022-10-07T14:21:30Z)
• Understanding Narratives through Dimensions of Analogy [17.68704739786042]
  アナロジカル推論は、人間が二つの状況を接続し、その知識を慣れ親しんだものから新しいものへと一般化する強力なツールである。 アナログによる推論の可能性を持つ現代のスケーラブルなAI技術は、比例アナロジーの特別なケースにのみ適用されている。 本稿では,(1)認知科学研究の熟達した知見に基づいて6次元のアナロジーを形式化し,(2)それぞれの次元でファブルのコーパスを注釈し,(3)AI技術のスケーラブルな評価を可能にする複雑さを増す4つのタスクを定義することによって,ギャップを埋めることを目的とする。
  論文  参考訳（メタデータ） (2022-06-14T20:56:26Z)
• A Description Logic for Analogical Reasoning [28.259681405091666]
  我々は,類推による推論に依拠する,妥当な知識の欠如を推測するメカニズムを提案する。 これは、記述論理の設定の中でアナログ推論を研究する最初の論文です。
  論文  参考訳（メタデータ） (2021-05-10T19:06:07Z)
• 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)

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。