論文の概要: Introducing multiplex semantic networks as multifaceted representations of creative associative knowledge across multilingual samples

• arxiv url: http://arxiv.org/abs/2606.09403v1
• Date: Mon, 08 Jun 2026 12:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.977106
• Title: Introducing multiplex semantic networks as multifaceted representations of creative associative knowledge across multilingual samples
• Title（参考訳）: 多言語サンプルにおける創造的連想的知識の多面的表現としての多重意味ネットワークの導入
• Authors: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella,
• Abstract要約: 創造性は、知識組織とセマンティックメモリからの検索に依存する複雑な認知能力である。 本研究では、創造性に基づく連想的知識をモデル化するための、より包括的なアプローチとして、多重ネットワークについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creativity is a complex cognitive ability that relies on knowledge organisation and retrieval from semantic memory. Yet most research uses a single task to measure it, capturing only a fraction of this complexity. This study investigates multiplex networks - layered semantic networks obtained from six cognitive tasks - as a more comprehensive approach to modelling the associative knowledge underlying creativity. We collected data from N=518 individuals from four countries (Austria, USA, Singapore, Italy). From their responses to verbal fluency, sentence-chain, free association, and narrative writing tasks, we constructed semantic networks and assembled them in a multiplex structure. AI persona-based responses provided a comparison baseline. Structural reducibility analyses showed that different task layers captured distinct, non-redundant information about semantic organisation, supporting the use of multiple tasks over any single one. The networks from high- and low-creative groups remained structurally distinct, while AI-generated networks showed near-identical structures regardless of creativity group. Finally, we used 12 features (network measures, emotional scores, and spreading activation simulations) in a machine learning model using ridge regression to predict individual creativity scores. The combination of structurally similar layers, as identified in the previous stage, improved a proof-of-concept prediction accuracy by 50%. Structural measures showed the highest feature importance, with spreading activation dynamics providing additional predictive power. Together, these findings indicate that multiplex semantic networks capture a richer, cross-cultural picture of associative knowledge underlying creativity. We also release our diverse dataset and code to foster diverse computational approaches within the creativity community.
• Abstract（参考訳）: 創造性は、知識組織とセマンティックメモリからの検索に依存する複雑な認知能力である。 しかし、ほとんどの研究は1つのタスクを使って測定し、この複雑さのほんの一部しか捉えていない。 本研究では、6つの認知タスクから得られる階層型セマンティックネットワークである多重ネットワークを,創造性に基づく連想的知識をモデル化するためのより包括的なアプローチとして検討する。 4カ国(オーストリア、米国、シンガポール、イタリア)のN=518人のデータを収集した。 文章の流布,文の連鎖,自由な連想,物語の執筆といったタスクに対する反応から,意味ネットワークを構築し,それらを多重構造に組み立てた。 AIペルソナベースのレスポンスは、比較ベースラインを提供する。 構造的再現性分析により、異なるタスク層が、セマンティック組織に関する異なる非冗長な情報をキャプチャし、単一のタスクに対する複数のタスクの使用をサポートすることがわかった。 ハイ・ロー・クリエイティヴ・グループからのネットワークは構造的に異なるままであり、一方AIが生成したネットワークは創造性グループに関係なくほぼ同一の構造を示した。 最後に、リッジ回帰を用いた機械学習モデルにおいて、12の特徴(ネットワーク測度、感情スコア、アクティベーションの拡散シミュレーション)を用いて、個々の創造性スコアを予測した。 構造的に類似した層の組み合わせは、前段で確認されたように、概念実証精度を50%向上させた。 構造的尺度は、さらなる予測力を提供する活性化力学を広めることによって、最も重要な特徴を示した。 これらの結果から,マルチプレックス・セマンティック・ネットワークは,創造性に根ざした連想的知識を,より豊かで文化的に捉えていることが示唆された。 また、クリエイティビティコミュニティ内で多様な計算アプローチを育むために、多様なデータセットとコードもリリースしています。

関連論文リスト

• Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
  ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。 神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。 私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
  論文  参考訳（メタデータ） (2025-05-16T13:49:43Z)
• The Effectiveness of a Simplified Model Structure for Crowd Counting [11.640020969258101]
  本稿では,単純な構造のみを用いて,高性能なクラウドカウントモデルを構築する方法について論じる。 本稿では,バックボーンネットワークとマルチスケール機能融合構造のみからなる,そのシンプルで効率的な構造を特徴とするFuss-Free Network(FFNet)を提案する。 提案するクラウドカウントモデルは,広く使用されている4つの公開データセットに対してトレーニングおよび評価を行い,既存の複雑なモデルに匹敵する精度を実現する。
  論文  参考訳（メタデータ） (2024-04-11T15:42:53Z)
• How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
  言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。 深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。 この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-05T09:11:09Z)
• 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)
• Discrete Latent Structure in Neural Networks [32.41642110537956]
  このテキストは、離散的な潜在構造を持つ学習のための3つの広義の戦略を探求する。 たいていは、同じ基本ブロックの小さなセットで構成されているが、それらが異なる使い方をしており、適用性や特性が著しく異なることを示している。
  論文  参考訳（メタデータ） (2023-01-18T12:30:44Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)
• 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)
• Deep Multimodal Neural Architecture Search [178.35131768344246]
  様々なマルチモーダル学習タスクのための一般化された深層マルチモーダルニューラルアーキテクチャサーチ(MMnas)フレームワークを考案する。 マルチモーダル入力が与えられたら、まずプリミティブ演算のセットを定義し、その後、ディープエンコーダ-デコーダベースの統一バックボーンを構築する。 統合されたバックボーンの上にタスク固有のヘッドをアタッチして、異なるマルチモーダル学習タスクに取り組む。
  論文  参考訳（メタデータ） (2020-04-25T07:00:32Z)

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。