論文の概要: Losing My Composure: Predicting Compositionality Over Time
- arxiv url: http://arxiv.org/abs/2607.11667v1
- Date: Mon, 13 Jul 2026 15:11:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.523737
- Title: Losing My Composure: Predicting Compositionality Over Time
- Title（参考訳）: コンポジションを失う: 時間の経過とともに構成性を予測する
- Abstract要約: 本稿では,テキスト内構成性評価の新しいデータセットに対して評価された構成性トレンド予測タスクを紹介する。
年次構成性評価は、時間とともに一般化された傾向の実証的未検証仮説を解明することを可能にする。
文献で示される決定的な傾向とは対照的に, 対象化合物の組成性は, 時間の経過とともにわずかに負の傾向がみられた。
- 参考スコア（独自算出の注目度）: 6.53319284661275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the phenomenon of semantic change of German and English noun compounds, with the objective of investigating and modeling gradual changes of meanings and degrees of compositionality in the past and over time. To do so, we introduce the Compositionality Trend Prediction task, which is evaluated against a novel dataset of in-context compositionality ratings sampled across several decades of diachronic corpora for 23 German and 26 English target compounds, uniquely providing per-decade ratings and corresponding trends over time. These per-decade compositionality ratings allow us to investigate empirically untested hypotheses of generalized trends in compositionality over time, such as the idea that compounds should become less compositional (less transparent) over time. Beyond our empirical observations from the diachronic compositionality annotations, we perform experiments with semantic vector representations of varying complexity, as well as several temporal granularities for training these representations on diachronic data, resulting in about 100 models of each representation type, each covering a different 1--5 decade slice of a diachronic corpus. Contrary to the decisive tendency posited in the literature, we find only a small negative trend in compositionality over time in our target compounds. In our computational experiments, we find that using models trained on narrow time slices of diachronic data (single decades, or incrementally expanding temporal windows) align better with the per-decade compositionality ratings than those trained on an entire half-century window, the latter setting being an analog for the prevalent modeling approach of training representations on an entire half of a corpus' data. Additionally, we find static representations to be competitive with contextual representations in the Compositionality Trend Prediction task.
- Abstract（参考訳）: 本研究では,ドイツ語および英語の名詞の意味変化の現象を,過去および時間における意味や構成性の段階的変化を調査・モデル化することを目的として検討する。
そこで本稿では,23のドイツ語および26の英語対象化合物に対する何十年にもわたるダイアクロニックコーパスを用いて,新しいコンテクスト内構成性評価データセットに対して評価を行い,時間とともに1年ごとの格付けと対応する傾向を独自に提供する構成性トレンド予測タスクを提案する。
これらの年次構成性評価は、時間とともに合成性における一般化された傾向の実証的未証明仮説を調査することを可能にする。
ダイアクロニックな構成性アノテーションによる経験的観察の他に、異なる複雑さのセマンティックなベクトル表現と、これらの表現をダイアクロニックなデータに基づいて訓練するための時間的粒度の実験を行い、それぞれ1〜5つのダイアクロニックなコーパスのスライスを約100モデルでカバーした。
文献で示される決定的な傾向とは対照的に, 対象化合物の組成性は, 時間の経過とともにわずかに負の傾向がみられた。
計算実験では,ダイアクロニックデータの狭い時間スライス(数十年)でトレーニングしたモデルを用いて,半世紀の全ウィンドウでトレーニングしたモデルよりも,decadeあたりのコンポジションのレーティングが良好であることを確認し,後者のセッティングはコーパスのデータ全体に対するトレーニング表現の一般的なモデリングアプローチのアナログとなる。
さらに、構成性トレンド予測タスクにおいて、静的表現は文脈表現と競合すると考えられる。
関連論文リスト
- Learning visual representations for compositional analysis of artworks and photographs [40.190936097282275]
合成分析のための並列パラダイムとして,知覚的グループ化を基礎としたヒューマンインスパイアされた手法と,近年の大規模合成データセットによって実現された微調整基礎モデルを比較した。
凍結エンコーダでは、人間にインスパイアされた方法は解釈可能のまま競争性能を達成する。
十分なデータによって微調整が可能となると、大規模な自己教師付きモデルの性能は大幅に向上するが、解釈可能性やドメイン間一般化のコストがかかる。
論文 参考訳（メタデータ） (2026-08-06T15:11:24Z) - Time Series, Vision, and Language: Exploring the Limits of Alignment in Contrastive Representation Spaces [26.947702126448203]
プラトン表現仮説(英: Platonic Representation hypothesis posits)は、異なるモジュラリティで訓練されたモデルから表現を学んだ仮説は、世界の共有潜在構造に収束する。
まずこれを三モーダルな設定で検討し、独立に事前訓練された時系列、視覚、言語エンコーダが明示的な結合がない場合にほぼ直交的な幾何学を示すことを発見した。
次に、コントラスト学習を用いて、凍結エンコーダ上にプロジェクションヘッドをトレーニングすることにより、ポストホックアライメントを適用し、幾何学、スケーリング行動、および情報密度および入力モード特性への依存性に関する結果の表現を分析する。
論文 参考訳（メタデータ） (2026-02-22T22:39:37Z) - Compositional Generalisation for Explainable Hate Speech Detection [52.41588643566991]
ヘイトスピーチ検出はオンラインコンテンツモデレーションの鍵であるが、現在のモデルはトレーニングデータ以上の一般化に苦慮している。
モデルがよりきめ細かなスパンレベルのアノテーションでトレーニングされている場合でも、それらのラベルの意味を周囲のコンテキストから切り離すことに苦労しています。
本研究では,すべての文脈で同じ頻度で表現が生じるデータセット上でのトレーニングにより,一般化が向上するかどうかを検討する。
論文 参考訳（メタデータ） (2025-06-04T13:07:36Z) - Variational Cross-Graph Reasoning and Adaptive Structured Semantics
Learning for Compositional Temporal Grounding [143.5927158318524]
テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。
新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。
ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
論文 参考訳（メタデータ） (2023-01-22T08:02:23Z) - Visual Comparison of Language Model Adaptation [55.92129223662381]
アダプタは、モデル適応のための軽量な代替品です。
本稿では,インタラクティブな視覚的説明手法について,いくつかの設計と代替案について論じる。
例えば、文脈0の埋め込みに従って言語脱バイアスタスクを訓練したアダプタが、新しいタイプのバイアスをもたらすことを示す。
論文 参考訳（メタデータ） (2022-08-17T09:25:28Z) - Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。
私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
論文 参考訳（メタデータ） (2022-07-19T12:52:33Z) - Compositional Temporal Grounding with Structured Variational Cross-Graph
Correspondence Learning [92.07643510310766]
ビデオの時間的接地は、あるクエリ文に意味的に対応する1つのターゲットビデオセグメントをローカライズすることを目的としている。
新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。
出現した単語の新たな組み合わせによるクエリの一般化に失敗したことを実証的に見出した。
本稿では,ビデオと言語を複数の階層構造に明示的に分解する多変分グラフ推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-24T12:55:23Z) - Opinions are Made to be Changed: Temporally Adaptive Stance
Classification [9.061088449712859]
大規模で縦長なスタンスデータセットを2つ導入する。
スタンス分類器の性能持続性を時間とともに評価し、トレーニングデータとテストデータの間の時間的ギャップが増大するにつれて、どのように崩壊するかを示す。
組込み適応に対するいくつかのアプローチを提案し比較し、インクリメンタル・テンポラル・アライメント(ITA)モデルが時間の経過とともに性能低下を減少させる最良の結果をもたらすことを見出した。
論文 参考訳（メタデータ） (2021-08-27T19:47:31Z) - Denoise and Contrast for Category Agnostic Shape Completion [48.66519783934386]
本稿では,自己スーパービジョンのパワーを利用して3dポイントのクラウド補完を行うディープラーニングモデルを提案する。
Denoising Pretextタスクは、高レベルのセマンティクスから切り離された、必要なローカルキューをネットワークに提供する。
コントラスト学習は、異なる欠落部分を持つ同じ形状の変種間の一致を最大化する。
論文 参考訳（メタデータ） (2021-03-30T20:33:24Z)
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。