論文の概要: Fodor and Pylyshyn's Systematicity Challenge Still Stands

• arxiv url: http://arxiv.org/abs/2606.14512v1
• Date: Fri, 12 Jun 2026 14:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.940052
• Title: Fodor and Pylyshyn's Systematicity Challenge Still Stands
• Title（参考訳）: Fodor and Pylyshyn's Systematicity Challenge(動画)
• Authors: Michael Goodale, Salvador Mascarenhas,
• Abstract要約: 近年、人間に似た言語を生み出すニューラルネットワークが成功し、認知科学に大きな影響を与えている。 いくつかの最近の記事は、この課題がニューラルネットワークによって満たされていると主張している。 特に、ブレンデン湖とマルコ・バロンニは、合成プロトコルのメタラーニングが一致し、おそらく人間の体系性を説明すると主張している。
• 参考スコア（独自算出の注目度）: 1.4323566945483497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent successes of neural networks producing human-like language have caused significant stir in cognitive science, with many researchers arguing that classical puzzles about human cognition and challenges to artificial intelligence are being solved by neural networks. A notable case is the argument from systematicity due to Jerry Fodor and Zenon Pylyshyn, argues that humans display systematic biconditional dependencies. For example, someone can understand the sentence "John saw Mary" just in case that they understand the sentence "Mary saw John." Symbolic systems explain this systematicity of language and thought, while neural networks offer no immediate explanation. Several recent articles argue that this challenge has now been met by neural networks. In particular, Brenden Lake and Marco Baroni argue that their meta-learning for compositionality protocol matches and perhaps explains human systematicity. We demonstrate that these conclusions are premature. Among other results, we found that their model struggles to learn rules that are even slightly out of distribution compared to their training data. Furthermore, the model behaves unsystematically even on many within-distribution problems. We conclude that Fodor and Pylyshyn's challenge to neural networks remains unmet.
• Abstract（参考訳）: 近年、人間のような言語を生産するニューラルネットワークの成功は認知科学に大きな刺激を与えており、人間の認知に関する古典的なパズルや人工知能への挑戦はニューラルネットワークによって解決されていると多くの研究者が主張している。 注目すべき事例は、Jerry Fodor と Zenon Pylyshyn による体系性からの議論であり、人間は体系的な双条件依存を表現している、と論じている。 例えば、"John saw Mary"という文は、"Mary saw John"という文を理解すれば、誰でも理解できる。 シンボリックシステムは言語と思考のこの体系性を説明するが、ニューラルネットワークは直接の説明を提供しない。 いくつかの最近の記事は、この課題がニューラルネットワークによって満たされていると主張している。 特に、ブレンデン湖とマルコ・バロンニは、合成プロトコルのメタラーニングは一致し、おそらく人間の体系性を説明すると論じている。 これらの結論は時期尚早であることを示す。 その結果,これらのモデルでは,トレーニングデータに比較して,分散性に欠けるルールの学習に苦慮していることが判明した。 さらに、モデルは多くの内部分布問題においても非体系的に振る舞う。 我々は、FodorとPylyshynのニューラルネットワークへの挑戦は、まだ未完成である、と結論づける。

関連論文リスト

• Discovering Chunks in Neural Embeddings for Interpretability [53.80157905839065]
  本稿では, チャンキングの原理を応用して, 人工神経集団活動の解釈を提案する。 まず、この概念を正則性を持つ人工シーケンスを訓練したリカレントニューラルネットワーク(RNN)で実証する。 我々は、これらの状態に対する摂動が関連する概念を活性化または阻害すると共に、入力における概念に対応する同様の繰り返し埋め込み状態を特定する。
  論文  参考訳（メタデータ） (2025-02-03T20:30:46Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• A Semantic Framework for Neuro-Symbolic Computing [0.36832029288386137]
  ニューロシンボリックAIの分野は、ニューラルネットワークとシンボリックシステムの組み合わせの恩恵を受けることを目的としている。 エンコーディングの一般的な定義は存在せず、ニューロシンボリック法を正確に理論的に比較することが可能である。 本稿では,ニューロシンボリックAIのセマンティックフレームワークを導入することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-22T22:00:58Z)
• Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
  我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。 強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2021-07-06T17:59:49Z)
• Explainable artificial intelligence for mechanics: physics-informing neural networks for constitutive models [0.0]
  メカニクスにおいて、物理インフォームドニューラルネットワークの新しい活発な分野は、機械的知識に基づいてディープニューラルネットワークを設計することによって、この欠点を緩和しようとする。 本論文では,機械データに訓練されたニューラルネットワークを後述する物理形成型アプローチへの第一歩を提案する。 これにより、主成分分析はRNNの細胞状態における分散表現をデコレーションし、既知の基本関数との比較を可能にする。
  論文  参考訳（メタデータ） (2021-04-20T18:38:52Z)
• Thinking Deeply with Recurrence: Generalizing from Easy to Hard Sequential Reasoning Problems [51.132938969015825]
  我々は、リカレントネットワークは、非リカレントディープモデルの振る舞いを詳細にエミュレートする能力を有することを観察する。 再帰ステップの少ない単純な迷路を解くように訓練された再帰ネットワークは、推論中に追加の繰り返しを実行するだけで、より複雑な問題を解決することができる。
  論文  参考訳（メタデータ） (2021-02-22T14:09:20Z)
• On Numerosity of Deep Neural Networks [24.812267280543693]
  視覚的物体認識のためだけに訓練されたディープニューラルネットワークにおいて,数感覚が自然に現れるという主張を実証する。 この主張を支持する統計的分析は、数認識ニューロンを特定するために使用されるサンプルセットが小さすぎることに欠陥がある。 ディープニューラルネットワークが、少数の数に対して、大人数よりも分布シフトに対して堅牢であることを示す、励まし証拠がいくつか見出されている。
  論文  参考訳（メタデータ） (2020-11-01T15:30:43Z)
• Mechanisms for Handling Nested Dependencies in Neural-Network Language Models and Humans [75.15855405318855]
  我々は,「深層学習」手法で訓練された現代人工ニューラルネットワークが,人間の文処理の中心的な側面を模倣するかどうかを検討した。 ネットワークは、大きなコーパスで次の単語を予測するためにのみ訓練されたが、分析の結果、局所的および長距離の構文合意をうまく処理する特別なユニットが出現した。 我々は,複数の名詞の単数/複数状態における体系的な変化を伴う文中の数一致の違反を人間が検出する行動実験において,モデルの予測を検証した。
  論文  参考訳（メタデータ） (2020-06-19T12:00:05Z)
• A neural network model of perception and reasoning [0.0]
  生物学的に一貫した構成原理の単純なセットが神経ネットワークにこれらの能力を与えることを示す。 我々はこれらの原理を、最適化の代わりに概念構築に基づく新しい機械学習アルゴリズムで実装し、説明可能なニューロン活動で推論されるディープニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-02-26T06:26:04Z)

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。