Fugu-MT 論文翻訳(概要): Focus particles and scalar inferences across humans and language models

論文の概要: Focus particles and scalar inferences across humans and language models

arxiv url: http://arxiv.org/abs/2608.08227v1
Date: Sat, 08 Aug 2026 16:45:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.732328
Title: Focus particles and scalar inferences across humans and language models
Title（参考訳）: 人間と言語モデルにおける焦点粒子とスカラー推論
Abstract要約: 偶数」や「単数」のような焦点の粒子は形式的意味論の中心である。ヒトと大言語モデル(LLM)がこれらの粒子を含む文から安定なスカラー表現を構築するかどうかを検証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Focus particles such as "even" and "only" are central to formal semantic theories that posit structured representations over sets of alternatives. "Even" highlights unexpected or extreme alternatives, while "only" enforces exclusivity. If such scalar representations are robust and generalizable, they should give rise to consistent judgments across contexts and systems. In this work, we test whether humans and large language models (LLMs) construct stable scalar representations from sentences containing these particles. Using a dataset of approximately 100 items, participants and models were asked to make scalar judgments. Preliminary results suggest that similar outputs across humans and LLMs may arise from different underlying mechanisms.
Abstract（参考訳）: even" や "only" のような焦点の粒子は、代替の集合上の構造的表現を仮定する形式的意味論の中心である。「エブン」は予期せぬ、あるいは極端な選択肢を強調し、一方「唯一の」は排他性を強制する。そのようなスカラー表現が堅牢で一般化可能ならば、コンテキストやシステム間で一貫した判断を導き出すべきである。本研究では,これらの粒子を含む文から,人間と大言語モデル(LLM)が安定なスカラー表現を構築しているかどうかを検証する。約100項目のデータセットを使用して、参加者とモデルはスカラー判断を行うように求められた。予備的な結果は、人間とLDM間の同様の出力は、異なる基盤メカニズムから生じる可能性があることを示唆している。

関連論文リスト

A Unifying Perspective on Language Model Representations: From Filler-Role Structure to Mechanistic Interpretability [5.242425502046959]
統一された製品表現(TPR)を統一仮説として用いることを提案する。数学的にも経験的にも、TPRはいくつかの先行的解釈可能性手法を統一できることを示す。経験的に、上記の各解釈可能性手法のインスタンスを構築するために、様々なモデルに導出を適用する。
論文参考訳（メタデータ） (2026-08-29T04:00:46Z)
Behavioral and Representational Evidence of Binomial Ordering Preferences in Large Language Models [61.21623682203952]
両単語の置換は文法的に有効であるが、従来と異なる言語間変異を示す。コーパス由来の嗜好と、6つのオープンウェイト言語モデルのモデル誘発順序付け確率を測り比較する。
論文参考訳（メタデータ） (2026-06-19T17:56:44Z)
On the Proper Treatment of Units in Surprisal Theory [50.52310749207036]
仮定に基づく予測は,2つの異なるモデリング選択を記述したアドホックな手順に暗黙的に依存していることを示す。素因に基づく分析はこれらの選択を明確にし、トークン化を実装の詳細として扱うべきだと我々は主張する。
論文参考訳（メタデータ） (2026-04-30T17:33:58Z)
Formal Abductive Latent Explanations for Prototype-Based Networks [7.001970497421476]
ケースベースの推論ネットワークは、プロトタイプと呼ばれるトレーニングサンプルの入力とプロトタイプの部分の類似性に基づいて予測を行う。このような説明は時に誤解を招くものであり、安全クリティカルな文脈での有用性を損なうものであることを示す。本稿では, 予測を暗示するインスタンスの中間表現について, 十分な条件を表現する形式として, ALE(Abductive Latent Explanations)を提案する。
論文参考訳（メタデータ） (2025-11-20T17:42:41Z)
Token Sampling Uncertainty Does Not Explain Homogeneity Bias in Large Language Models [0.0]
均質性バイアスは、平等な言語技術を作るための大きな障害である。 6つの大言語モデル間でトークンサンプリングの不確かさの体系的差異によってバイアスが引き起こされるかどうかを検証する。
論文参考訳（メタデータ） (2025-01-31T17:36:12Z)
Are LLMs Models of Distributional Semantics? A Case Study on Quantifiers [14.797001158310092]
分布意味論モデルは真理条件推論や記号処理に苦しむ。期待とは対照的に、LSMは正確な量化器とあいまいな量化器の人間の判断とより密接に一致している。
論文参考訳（メタデータ） (2024-10-17T19:28:35Z)
Simple Linguistic Inferences of Large Language Models (LLMs): Blind Spots and Blinds [59.71218039095155]
我々は,ほとんどの人間が自明に感じる単純な推論タスクにおいて,言語理解能力を評価する。我々は, (i) 文法的に特定された含意, (ii) 不確実性のある明らかな副詞を持つ前提, (iii) 単調性含意を目標とする。モデルはこれらの評価セットに対して中程度から低い性能を示す。
論文参考訳（メタデータ） (2023-05-24T06:41:09Z)
Token-wise Decomposition of Autoregressive Language Model Hidden States for Analyzing Model Predictions [9.909170013118775]
本研究は,各初期入力トークンに基づいて,自己回帰言語モデルから最終隠れ状態の線形分解を行う。次単語確率の変化を重要度尺度として、まず、どの文脈語が言語モデル予測に最も貢献するかを検討する。
論文参考訳（メタデータ） (2023-05-17T23:55:32Z)
Are Representations Built from the Ground Up? An Empirical Examination of Local Composition in Language Models [91.3755431537592]
構成的・非構成的句を表現することは言語理解にとって重要である。まず,より長いフレーズのLM-内部表現を,その構成成分から予測する問題を定式化する。意味的構成性の人間の判断と相関する予測精度を期待するが、大部分はそうではない。
論文参考訳（メタデータ） (2022-10-07T14:21:30Z)
Interpreting Language Models with Contrastive Explanations [99.7035899290924]
言語モデルは、音声、数字、時制、意味論など、トークンを予測するための様々な特徴を考慮しなければならない。既存の説明手法は、これらの特徴の証拠を1つの説明に分割するが、人間の理解には理解できない。比較的な説明は、主要な文法現象の検証において、非対照的な説明よりも定量的に優れていることを示す。
論文参考訳（メタデータ） (2022-02-21T18:32:24Z)
Automatically Identifying Semantic Bias in Crowdsourced Natural Language Inference Datasets [78.6856732729301]
NLIデータセットに仮説を組み込んだ学習空間に"バイアスクラスタ"を見つけるために,モデル駆動で教師なしの手法を導入する。データセットの仮説分布のセマンティックバイアスを改善するために、介入と追加のラベリングを行うことができる。
論文参考訳（メタデータ） (2021-12-16T22:49:01Z)

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。