論文の概要: Not-So-Strange Love: Language Models and Generative Linguistic Theories are More Compatible than They Appear

• arxiv url: http://arxiv.org/abs/2605.10061v1
• Date: Mon, 11 May 2026 06:38:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.577034
• Title: Not-So-Strange Love: Language Models and Generative Linguistic Theories are More Compatible than They Appear
• Title（参考訳）: No-So-Strange Love:言語モデルとジェネレーティブ言語理論は現れるよりも適合性が高い
• Authors: R. Thomas McCoy,
• Abstract要約: LMは形式構造に基づいて勾配理論をインスタンス化することができると私は論じる。 これにより、利用ベースのアカウントと生成アカウントの和解が可能になる。
• 参考スコア（独自算出の注目度）: 6.1932312581992335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Futrell and Mahowald (2025) frame the success of neural language models (LMs) as supporting gradient, usage-based linguistic theories. I argue that LMs can also instantiate theories based on formal structures - the types of theories seen in the generative tradition. This argument expands the space of theories that can be tested with LMs, potentially enabling reconciliations between usage-based and generative accounts.
• Abstract（参考訳）: Futrell and Mahowald (2025) は、ニューラルネットワークモデル (LM) の成功を、勾配、使用法に基づく言語理論を支持するものとして捉えている。 LMは、フォーマルな構造に基づいて理論をインスタンス化することもできる、と私は論じる。 この議論は、LMでテストできる理論の空間を拡張し、使用法に基づくアカウントと生成的アカウントの和解を可能にする可能性がある。

関連論文リスト

• Causal Interventions Reveal Shared Structure Across English Filler-Gap Constructions [35.29123099176241]
  我々は,言語モデルに適用された因果的解釈可能性手法は,そのような証拠の価値を大幅に向上させることができると論じる。 私たちの経験的焦点は、イングランドのフィラーギャップ依存性構築のセットです。 LMはこれらの構成の類似した抽象的解析に収束することを示す。
  論文  参考訳（メタデータ） (2025-05-21T20:37:57Z)
• Can Language Models Learn Typologically Implausible Languages? [62.823015163987996]
  人間の言語にまたがる文法的特徴は、人間の学習バイアスに起因する興味深い相関関係を示している。 言語モデル(LM)が言語普遍性におけるドメイン一般学習バイアスの役割をよりよく決定する方法について論じる。 本研究は,英語(頭初期)と日本語(頭最終)の超自然主義的だが反実的なバージョンを用いて,LMを試験する。
  論文  参考訳（メタデータ） (2025-02-17T20:40:01Z)
• Large Language Models as Proxies for Theories of Human Linguistic Cognition [2.624902795082451]
  人間の言語認知研究における現在の大言語モデル(LLM)の役割について考察する。 我々は,その表現や学習において比較的言語的に中立な認知理論に対するプロキシのようなモデルの利用に焦点をあてる。
  論文  参考訳（メタデータ） (2025-02-11T16:38:16Z)
• How Proficient Are Large Language Models in Formal Languages? An In-Depth Insight for Knowledge Base Question Answering [52.86931192259096]
  知識ベース質問回答(KBQA)は,知識ベースにおける事実に基づいた自然言語質問への回答を目的としている。 最近の研究は、論理形式生成のための大規模言語モデル(LLM)の機能を活用して性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-11T09:27:50Z)
• Why Can Large Language Models Generate Correct Chain-of-Thoughts? [10.888196404348093]
  自然言語生成に適した2階層階層型グラフィカルモデルを提案する。 我々は、LLM生成した思考の連鎖の可能性を測る魅力的な幾何学的収束率を確立する。
  論文  参考訳（メタデータ） (2023-10-20T15:09:46Z)
• From Word Models to World Models: Translating from Natural Language to the Probabilistic Language of Thought [124.40905824051079]
  言語インフォームド・シンキングのための計算フレームワークである「構成」を合理的に提案する。 我々は、自然言語から確率論的思考言語への文脈感応的なマッピングとして、言語の意味を定式化する。 LLMは、現実的に適切な言語的意味をキャプチャする文脈依存翻訳を生成することができることを示す。 認知的なモチベーションを持つシンボリックモジュールを統合するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2023-06-22T05:14:00Z)
• Large Language Models are In-Context Semantic Reasoners rather than Symbolic Reasoners [75.85554779782048]
  大規模言語モデル(LLM)は、近年、自然言語と機械学習コミュニティを興奮させています。 多くの成功を収めたアプリケーションにもかかわらず、そのようなコンテキスト内機能の基盤となるメカニズムはまだ不明である。 本研究では,学習した言語トークンのテクストセマンティクスが推論過程において最も重い処理を行うと仮定する。
  論文  参考訳（メタデータ） (2023-05-24T07:33:34Z)

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。