論文の概要: Lexical Consensus: Grounded Word Learning and Shared Meaning in Artificial Agents

• arxiv url: http://arxiv.org/abs/2606.22207v1
• Date: Sat, 20 Jun 2026 20:08:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 14:55:12.158922
• Title: Lexical Consensus: Grounded Word Learning and Shared Meaning in Artificial Agents
• Title（参考訳）: レキシカル・コンセンサス:人工エージェントにおける接地語学習と共有意味
• Authors: Patricio M. Vera,
• Abstract要約: 本稿では,構造化された知覚基板上での接地単語学習実験フレームワークであるLexical Consensusを紹介する。 エージェントが視覚概念のための人工ラベルを取得し、それらを双方向に一般化し、制御された設定で安定化できるかどうかを検証する。 ネイティブカテゴリは学習しやすく、コヒーレントなオーバーエクステンションは学習しやすく、中距離の解離概念は分解され、遠距離の解離概念はチャンスに近づきます。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Artificial intelligence systems are commonly evaluated through task performance and behavioral imitation, but such evaluations leave open whether an artificial agent can acquire, stabilize, and use new lexical meanings from grounded experience. This paper introduces Lexical Consensus, an experimental framework for studying grounded word learning over a structured perceptual substrate. Using frozen DINOv2 visual embeddings, Carroll-style nonce words, and interpretable lexical learners plus linear baselines, we test whether agents can acquire artificial labels for visual concepts, generalize them bidirectionally, and stabilize them across controlled settings. The main result is a robust perceptual-coherence gradient: native categories are easiest to learn, coherent overextensions remain learnable, mid-range disjunctive concepts degrade, and far-disjunctive concepts approach chance. A pre-registered CIFAR-100 dissociation experiment confirms that this gradient is governed by perceptual distance rather than semantic relatedness: perceptual distance predicts acquisition accuracy (partial R^2 = 0.245, p < 1e-7), while semantic distance adds no significant explanatory power (partial R^2 = 0.002, p = 0.660). Bidirectional evaluation shows that naming and retrieval are distinct: exemplar-based mechanisms outperform centroid prototypes in label-to-image retrieval, exposing a memory-fidelity dimension separate from naming accuracy. Falsification controls, homogeneous candidate-pool evaluations, and null results on representational restructuring indicate that frozen perceptual geometry both enables lexical grounding and limits what can be acquired without representational adaptation.
• Abstract（参考訳）: 人工知能システムは、タスクのパフォーマンスと行動模倣を通じて一般的に評価されるが、そのような評価は、人工知能が接地経験から新しい語彙的意味を獲得、安定化、利用できるかどうかを未然に残す。 本稿では,構造化された知覚基板上での接地単語学習実験フレームワークであるLexical Consensusを紹介する。 凍結したDINOv2視覚埋め込み,キャロル型ナンス語,解釈可能な語彙学習者および線形ベースラインを用いて,エージェントが視覚概念のための人工ラベルを取得し,双方向に一般化し,制御された設定間で安定化することができるかどうかを検証した。 ネイティブカテゴリは学習しやすく、コヒーレントなオーバーエクステンションは学習しやすく、中距離の解離概念は分解され、遠距離の解離概念はチャンスに近づきます。 事前登録されたCIFAR-100解離実験では、この勾配が意味的関連性よりも知覚的距離によって支配されていることが確認されている:知覚的距離は取得精度(部分的R^2 = 0.245, p < 1e-7)を予測し、意味的距離は重要な説明力(部分的R^2 = 0.002, p = 0.660)を付加しない。 ラベル・ツー・イメージ検索において、先例に基づくメカニズムは、ラベル・ツー・イメージ検索においてCentroidのプロトタイプよりも優れており、命名精度とは別のメモリ忠実度次元が露呈している。 Falsification control, homogeneous candidate-pool evaluations, and null results on representational restructuring shows that frozen perceptal geometry allows both possible lexical grounding and limit that can be acquired without representational adaptation。

関連論文リスト

• The Prediction-Measurement Gap: Toward Meaning Representations as Scientific Instruments [0.0]
  この論文は、科学的意味分析は、科学的ユーザビリティという、異なる目的のファミリーを動機付けている、と論じている。 静的な単語埋め込みと文脈変換器表現をこれらの要件に対して評価する。 分野がスケールファーストの進歩の限界について議論するにつれて、測定可能な表現は原則化された新しいフロンティアを提供する。
  論文  参考訳（メタデータ） (2026-03-10T18:08:53Z)
• Weakly-Supervised Contrastive Learning for Imprecise Class Labels [50.57424331797865]
  正対と負対を定義するために「連続的意味的類似性」の概念を導入する。 弱教師付きコントラスト学習のためのグラフ理論フレームワークを提案する。 我々のフレームワークは非常に多用途であり、多くの弱い教師付き学習シナリオに適用できる。
  論文  参考訳（メタデータ） (2025-05-28T06:50:40Z)
• Identifying and interpreting non-aligned human conceptual representations using language modeling [0.0]
  先天性失明は,a-モダル語と知覚関連言語ドメインの両方において概念的再編成を引き起こすことを示す。 視覚障害者は、より強く社会的・認知的な意味と、行動に関連する動詞を関連づける。 一部の動詞では、盲目と盲目の表現は非常に似ている。
  論文  参考訳（メタデータ） (2024-03-10T13:02:27Z)
• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• Semantic-aware Contrastive Learning for More Accurate Semantic Parsing [32.74456368167872]
  そこで本研究では,意味表現の微粒化を学習できる意味認識型コントラスト学習アルゴリズムを提案する。 2つの標準データセットの実験により、我々の手法はMLEベースラインよりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2023-01-19T07:04:32Z)
• Estimating the Uncertainty in Emotion Class Labels with Utterance-Specific Dirichlet Priors [24.365876333182207]
  本稿では,発話ごとのディリクレの事前分布に基づく新たな訓練損失を提案する。 ラベル付けの不確かさの高い試験発話を検出することで、さらなる測定値を用いて性能を評価する。 広く使われているIEMOCAPデータセットによる実験は、2分岐構造が最先端の分類結果を達成することを示した。
  論文  参考訳（メタデータ） (2022-03-08T23:30:01Z)
• Contextualized Semantic Distance between Highly Overlapped Texts [85.1541170468617]
  テキスト編集や意味的類似性評価といった自然言語処理タスクにおいて、ペア化されたテキストに重複が頻繁に発生する。 本稿では,マスク・アンド・予測戦略を用いてこの問題に対処することを目的とする。 本稿では,最も長い単語列の単語を隣接する単語とみなし,その位置の分布を予測するためにマスク付き言語モデリング(MLM)を用いる。 セマンティックテキスト類似性の実験では、NDDは様々な意味的差異、特に高い重なり合うペアテキストに対してより敏感であることが示されている。
  論文  参考訳（メタデータ） (2021-10-04T03:59:15Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• Fork or Fail: Cycle-Consistent Training with Many-to-One Mappings [67.11712279612583]
  サイクル一貫性トレーニングは、2つの関心領域間の前方および逆マッピングの学習に広く用いられている。 我々は条件付き変分オートエンコーダ(cvae)アプローチを開発し、これは全射写像を暗黙の単射に変換するものと見なすことができる。 私たちのパイプラインは、グラフからテキストへの多様性を促進しながら、サイクルトレーニング中に多くのマッピングをキャプチャできます。
  論文  参考訳（メタデータ） (2020-12-14T10:59:59Z)

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。