論文の概要: We Hebben Een Serieus Translatie: Modeling Intercomprehension as Probabilistic Inference

• arxiv url: http://arxiv.org/abs/2607.12169v1
• Date: Mon, 13 Jul 2026 21:30:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.969884
• Title: We Hebben Een Serieus Translatie: Modeling Intercomprehension as Probabilistic Inference
• Title（参考訳）: We Hebben Een Serieus Translatie:確率的推論としての相互理解のモデル化
• Authors: Thomas Hikaru Clark, Edward Gibson, Roger Levy,
• Abstract要約: 相互理解(Intercomprehension)とは、関係する言語の話者による不慣れな言語の部分的知性を指す。 本研究では,ノイズチャネル推論のアルゴリズムモデルに関する過去の研究をベイズ的枠組みにおけるモデル相互理解に拡張する。 我々は,英語,スペイン語,ロシア語の話者から,オランダ語,イタリア語,ウクライナ語の発話を推論する人間の行動実験を行う。
• 参考スコア（独自算出の注目度）: 10.293916944634804
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Intercomprehension refers to partial intelligibility of an unfamiliar language (L2) by a speaker of a related language (L1). How is this zero-shot cross-language comprehension possible? In this work, we extend past work on algorithmic models of noisy-channel inference to model intercomprehension in a Bayesian framework. The model uses an LM in L1 only for scoring latent hypotheses about the translations of observed L2 utterances, and a general-purpose noise model to infer a mapping between L2 and L1 words based on either form-based similarity or symbolic rules. We then conduct a human behavioral experiment, eliciting inferences for utterances in Dutch, Italian, and Ukrainian from speakers of English, Spanish, and Russian, respectively. Our full model shows a closer alignment to the distribution of human intercomprehension performance than ablations, and also compares favorably to zero-shot prompting of much larger models. These results provide a cognitively plausible computational model of intercomprehension, and highlight the flexible inferences made by comprehenders under wide uncertainty in real-world cross-language scenarios. We share our code publicly.
• Abstract（参考訳）: 相互理解(Intercomprehension)とは、関係言語(L1)の話者によって、不慣れな言語(L2)の部分的知性を指す。 このゼロショットのクロス言語理解は可能か? 本研究では,雑音チャネル推論のアルゴリズムモデルに関する過去の研究をベイズ的枠組みにおけるモデル相互理解に拡張する。 このモデルは、観測されたL2発話の翻訳に関する潜在仮説を評価するためにのみL1のLMを使用し、L2語とL1語の間のマッピングをフォームベースの類似性またはシンボリックルールに基づいて推測する汎用ノイズモデルを使用する。 次に人間の行動実験を行い、オランダ語、イタリア語、ウクライナ語の発話をそれぞれ英語、スペイン語、ロシア語の話者から推論する。 我々のフルモデルでは,人間間の理解性能の分布がアブレーションよりも密接な関係を示すとともに,より大きなモデルのゼロショットプロンプトと比較した。 これらの結果は,相互理解の認知的に妥当な計算モデルを提供し,実世界のクロス言語シナリオにおいて,コンプリテンダーによるフレキシブルな推論を明らかにする。 コードを公開しています。

関連論文リスト

• Language models struggle with compartmentalization [3.7098038388802252]
  大規模言語モデル (LLM) は, 統一概念の異なる表現間で, 統計的強度を識別し, 共有できないことを示す。 また、合成並列データが容易に学習されているにもかかわらず、これを改善できないことも示している。 検討したすべての介入は、その効果が異なるプレゼンテーションの数に依存する相転移を示す。
  論文  参考訳（メタデータ） (2026-05-19T03:02:46Z)
• Ask a Local: Detecting Hallucinations With Specialized Model Divergence [0.16874375111244325]
  本研究では,大規模言語モデルに対する新しい幻覚検出手法であるAsk a Localを紹介する。 提案手法は,言語特化モデルのパープレキシティ分布のばらつきを計算し,ハロゲン化の可能性のあるスパンを同定する。 そこで本研究では,14言語にまたがる人間による質問応答データセットについて,一貫した性能を示す。
  論文  参考訳（メタデータ） (2025-06-03T20:00:49Z)
• Unified Lexical Representation for Interpretable Visual-Language Alignment [52.059812317944434]
  複雑な設計をせずに両方のモダリティを統一した語彙表現を学習するためのフレームワークであるLexVLAを紹介する。 我々はDINOv2をローカル言語の特徴の視覚モデルとして使用し、生成言語モデルであるLlamaをテキスト内語彙予測能力の活用に利用した。 これら2つの事前学習されたユニモーダルモデルが、控えめなマルチモーダルデータセットを微調整することで、適切に整列できることを実証する。
  論文  参考訳（メタデータ） (2024-07-25T07:35:27Z)
• The Interpreter Understands Your Meaning: End-to-end Spoken Language Understanding Aided by Speech Translation [13.352795145385645]
  音声翻訳(ST)は、エンドツーエンドの音声言語理解のために、音声モデルを事前訓練する良い方法である。 我々は,本モデルが単言語および多言語意図分類に基づくベースラインよりも高い性能を達成することを示す。 また、音声要約のための新しいベンチマークデータセットを作成し、低リソース/ゼロショットを英語からフランス語またはスペイン語に転送する。
  論文  参考訳（メタデータ） (2023-05-16T17:53:03Z)
• Interpretability at Scale: Identifying Causal Mechanisms in Alpaca [62.65877150123775]
  本研究では、Boundless DASを用いて、命令に従う間、大規模言語モデルにおける解釈可能な因果構造を効率的に探索する。 私たちの発見は、成長し、最も広くデプロイされている言語モデルの内部構造を忠実に理解するための第一歩です。
  論文  参考訳（メタデータ） (2023-05-15T17:15:40Z)
• SPLAT: Speech-Language Joint Pre-Training for Spoken Language Understanding [61.02342238771685]
  音声理解には、入力音響信号を解析してその言語内容を理解し、予測するモデルが必要である。 大規模無注釈音声やテキストからリッチな表現を学習するために,様々な事前学習手法が提案されている。 音声と言語モジュールを協調的に事前学習するための,新しい半教師付き学習フレームワークであるSPLATを提案する。
  論文  参考訳（メタデータ） (2020-10-05T19:29:49Z)
• Multi-timescale Representation Learning in LSTM Language Models [69.98840820213937]
  言語モデルは、非常に短いから非常に長いまでの時間スケールで単語間の統計的依存関係を捉えなければならない。 我々は、長期記憶言語モデルにおけるメモリゲーティング機構が、パワーローの減衰を捉えることができるかの理論を導出した。 実験の結果,自然言語で学習したLSTM言語モデルは,この理論分布を近似することがわかった。
  論文  参考訳（メタデータ） (2020-09-27T02:13:38Z)
• A Deep Reinforced Model for Zero-Shot Cross-Lingual Summarization with Bilingual Semantic Similarity Rewards [40.17497211507507]
  言語間テキスト要約は、実際は重要だが未探索の課題である。 本稿では,エンドツーエンドのテキスト要約モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-27T21:51:38Z)
• Unsupervised Cross-lingual Representation Learning for Speech Recognition [63.85924123692923]
  XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。 我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。 実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-24T18:25:05Z)
• Recurrent Neural Network Language Models Always Learn English-Like Relative Clause Attachment [17.995905582226463]
  英語とスペイン語のモデル性能を比較し,RNN LMにおける非言語的バイアスが英語の構文構造と有利に重なることを示す。 英語モデルは人間に似た構文的嗜好を習得しているように見えるが、スペイン語で訓練されたモデルは、同等の人間的な嗜好を取得できない。
  論文  参考訳（メタデータ） (2020-05-01T01:21:47Z)

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。