論文の概要: Compositional Generalization via Structural Identification in a Category-Theoretic Framework
- arxiv url: http://arxiv.org/abs/2608.26465v1
- Date: Wed, 26 Aug 2026 23:40:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.200674
- Title: Compositional Generalization via Structural Identification in a Category-Theoretic Framework
- Title（参考訳）: カテゴリー論的枠組みにおける構造同定による構成一般化
- Authors: Akihiro Maeda, Thomas Seiller, Yohei Oseki,
- Abstract要約: トレーニングで観察された構造から、どの構造的または語彙的識別がCOGSの保持例を許容するかを問う。
21のCOGS一般化タイプで、アクセシビリティは異なる識別プロファイルに従っている。
- 参考スコア（独自算出の注目度）: 9.486586593065892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compositional generalization is usually evaluated through model accuracy. We instead ask which structural or lexical identifications make held-out COGS examples admissible from the structures observed in training. Sentences are represented as functors from syntactic addresses to lexical tokens, and selective collapses induce Kan extensions that propagate observed associations. Across 21 COGS generalization types, admissibility follows distinct identification profiles, while residual failures separate unsupported structural templates. These data-side diagnoses characterize what the training corpus licenses under specified identifications, without training a predictive model.
- Abstract（参考訳）: 合成一般化は通常、モデル精度で評価される。
代わりに、トレーニングで観察された構造から、どの構造的または語彙的識別がCOGSサンプルを許容できるかを尋ねる。
文は構文アドレスから語彙トークンへの関手として表現され、選択的崩壊は観察された関連を伝播するカン拡張を誘導する。
21のCOGS一般化タイプで、許容性は異なる識別プロファイルに従っているが、残りの失敗はサポートされていない構造テンプレートを分離する。
これらのデータ側診断は、予測モデルを訓練することなく、特定の識別の下でのトレーニングコーパスライセンスを特徴付ける。
関連論文リスト
- Complexity Induction: Compositional Generalization via Structured Training Distortion [51.56484100374058]
学習データの構造的歪みは, 構造的な変更を伴わずに, 構成一般化を誘導できることを示す。
その結果,学習信号の構造的複雑化は,学習した表現の内部構造と構成的解釈の両方に影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2026-08-21T00:45:02Z) - Annotating Korean adnominal ending constructions in corpus data: Beyond relative-clause identification [6.030221684048552]
韓国語のadnominal ending texttETMは、様々な名詞修飾構造で発生する。
本論では,texttETMは相対的クロース構造の直接マーカーではなく,形態的指数であると主張している。
論文 参考訳（メタデータ） (2026-07-04T03:21:50Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Statistical and structural identifiability in representation learning [31.990445585569688]
我々は統計的識別可能性と構造的識別可能性という2つの異なる概念を定式化する。
非線形デコーダを持つモデルの表現に対して,統計的に$$-near-identifiabilityの結果が証明される。
データ生成プロセスに関する追加の仮定により、統計的識別性は構造的識別性にまで拡張される。
論文 参考訳（メタデータ） (2026-03-12T14:19:58Z) - Grammaticality Judgments in Humans and Language Models: Revisiting Generative Grammar with LLMs [0.0]
伝統的な生成文法では、主語・副詞の逆転や寄生的ギャップのライセンスのような文法性の体系的なコントラストが、内部的、階層的な文法の証拠として扱われる。
表面形状のみを訓練した大規模言語モデル(LLM)が,これらのコントラストを基礎となる構造表現を再現するかどうかを検証した。
論文 参考訳（メタデータ） (2025-12-11T09:17:35Z) - SLOG: A Structural Generalization Benchmark for Semantic Parsing [68.19511282584304]
合成一般化ベンチマークの目的は、モデルがいかにして新しい複雑な言語表現に一般化するかを評価することである。
既存のベンチマークは、しばしば語彙一般化に焦点を当て、訓練に精通した構文構造における新しい語彙項目の解釈は、しばしば不足している。
SLOGは,COGSを拡張したセマンティック解析データセットである。
論文 参考訳（メタデータ） (2023-10-23T15:39:09Z) - Does BERT really agree ? Fine-grained Analysis of Lexical Dependence on
a Syntactic Task [70.29624135819884]
目的の構文テンプレート上で,BERTが語彙非依存の主観値数アグリーメント(NA)を実行できる範囲について検討した。
名詞文では,単純なテンプレートに対してモデルがよく一般化されるが,1つのアトラクターが存在する場合,語彙非依存の構文一般化を行うことができないことが示唆された。
論文 参考訳（メタデータ） (2022-04-14T11:33:15Z) - Compositional Generalization Requires Compositional Parsers [69.77216620997305]
直近のCOGSコーパスにおける構成原理によって導かれるシーケンス・ツー・シーケンスモデルとモデルを比較した。
構造一般化は構成一般化の重要な尺度であり、複雑な構造を認識するモデルを必要とする。
論文 参考訳（メタデータ） (2022-02-24T07:36:35Z)
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。