論文の概要: No country for old linguists: LLM-brain alignment underdetermines neural computation

• arxiv url: http://arxiv.org/abs/2609.03160v1
• Date: Wed, 02 Sep 2026 20:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.858783
• Title: No country for old linguists: LLM-brain alignment underdetermines neural computation
• Title（参考訳）: 古言語学者のいない国:LLM-Brainアライメントは神経計算を決定づける
• Abstract要約: 私はNastase et al. (2026) の提案で、論理的、因果的、および計算的決定の問題と考えるものについて議論する。
• 参考スコア（独自算出の注目度）: 0.20305676256390937
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nastase et al. (2026) argue that large language models (LLMs) may illuminate language processing because both rely on distributed, context-sensitive representations shaped by statistical learning. Their rejection of simple cortical "boxology" is persuasive, and they articulate a strong case for the value of LLM-brain alignment research. The key question is what kind of inference LLM-brain alignment licenses. My claim here will be narrow: representational alignment can in principle constrain mechanistic hypotheses, but it does not by itself identify a mechanism. Nastase et al. acknowledge that an encoding model can capture features represented in neural activity without establishing a shared architecture or algorithm. Yet the authors sometime move from alignment to "shared computational principles" and ultimately to LLMs as mechanistic models of natural language. Indeed, their methodological caveat that alignment does not establish a shared architecture or algorithm sits uneasily with their conclusion that LLMs might instantiate the same computational principles as biological brains and provide a "fully mechanistic model" of language. I discuss what I consider to be problems of logical, causal, and computational underdetermination in Nastase et al.'s (2026) proposal.
• Abstract（参考訳）: Nastase et al (2026) は、大きな言語モデル(LLM)が言語処理を照らすかもしれないと主張している。 単純皮質「ボックスロジー」の拒絶は説得力があり、LSM-脳アライメント研究の価値を強く主張する。 鍵となる疑問は、LLM-Brainアライメントライセンスの種類を推測することである。 ここでの私の主張は狭く、表現的アライメントは原理的に機械的仮説を制約することができるが、それ自体がメカニズムを識別するわけではない。 Nastaseらは、共有アーキテクチャやアルゴリズムを確立することなく、エンコーディングモデルが神経活動で表される特徴をキャプチャできることを認めている。 しかし、著者らは時折アライメントから「共有された計算原理」へと移行し、最終的には自然言語の力学モデルとして LLM へと移行する。 実際、彼らの方法論では、アライメントが共有アーキテクチャやアルゴリズムを確立していないことは、LLMが生物学的脳と同じ計算原理をインスタンス化し、言語の「完全に機械的モデル」を提供するという結論に確実に一致している。 私はNastase et al's (2026) の提案において、論理的、因果的、および計算的下決定の問題であると考えるものについて議論する。

関連論文リスト

• Beyond representational alignment with brain-guided language models for robust reasoning [51.87370932573858]
  大規模言語モデル(LLM)は推論関連領域の神経信号と一致していることを示す。 ニューラルネットワークの予測基準を用いて,LLMは推論関連領域における説明可能な分散のかなりの部分を説明する。 我々は、モデルと脳表現の結合構造によって誘導される方向に沿って、モデル表現を操る脳誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T10:22:49Z)
• Cross-lingual robustness of LLM-brain alignment and its computational roots [7.342679013491229]
  大規模言語モデル(LLM)は、言語理解とトランスフォーマー深度の間の神経活動を確実に予測する。 脳-LLMアライメントを3言語に分けて検討するために,多言語,全脳符号化フレームワークを用いた。
  論文  参考訳（メタデータ） (2026-05-20T11:34:05Z)
• Neurosymbolic Language Reasoning as Satisfiability Modulo Theory [17.539850467483323]
  文書を自然言語テキスト制約(NLTC)として表すニューロシンボリック言語であるLogitextを紹介する。 我々は,LLMに基づく制約評価と満足度変調理論(SMT)の解法を統合するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-02-20T09:35:26Z)
• Computational Thinking Reasoning in Large Language Models [69.28428524878885]
  計算思考モデル(CTM)は、計算思考パラダイムを大規模言語モデル(LLM)に組み込んだ新しいフレームワークである。 ライブコード実行は推論プロセスにシームレスに統合され、CTMが計算によって考えることができる。 CTMは、精度、解釈可能性、一般化可能性の観点から、従来の推論モデルとツール拡張ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-03T09:11:15Z)
• Computation Mechanism Behind LLM Position Generalization [59.013857707250814]
  大規模言語モデル(LLM)は、テキストの位置を扱う際の柔軟性を示す。 彼らは位置摂動のあるテキストを理解し、より長いテキストに一般化することができる。 この研究は言語現象とLLMの計算機構を結びつける。
  論文  参考訳（メタデータ） (2025-03-17T15:47:37Z)
• Intermediate Languages Matter: Formal Choice Drives Neurosymbolic LLM Reasoning [50.99811144731619]
  形式言語の選択は構文的および意味論的推論能力の両方に影響を及ぼすことを示す。 平均的な文脈認識エンコーディングはLCMの推論に役立つが、コメントやマークダウン構文を使うことによる明らかな影響はない、と結論付けている。
  論文  参考訳（メタデータ） (2025-02-24T14:49:52Z)
• Explanations of Large Language Models Explain Language Representations in the Brain [5.7916055414970895]
  本稿では、言語処理と脳神経活動の関連性を高めるために、説明可能なAI(XAI)を用いた新しいアプローチを提案する。 帰属法を適用することで,先行する単語が予測に与える影響を定量化する。 より強い属性は、生物学的説明法を評価するために脳のアライメントを示唆している。
  論文  参考訳（メタデータ） (2025-02-20T16:05:45Z)
• On Representational Dissociation of Language and Arithmetic in Large Language Models [12.182463768190509]
  簡単な算術方程式と一般言語入力は、大言語モデルにおいて完全に分離された領域に符号化されていることを示す。 これは、算術的推論が一般的な言語入力とは異なる領域にマッピングされることを示している。
  論文  参考訳（メタデータ） (2025-02-17T15:42:01Z)
• Training Neural Networks as Recognizers of Formal Languages [87.06906286950438]
  ニューラルネットワークを文字列のバイナリ分類器として直接訓練し評価する。 3つのニューラルアーキテクチャに対して、チョムスキー階層の様々な言語について結果を提供する。 我々の貢献は、将来の研究において、言語認識の主張を理論的に健全に検証するのに役立つだろう。
  論文  参考訳（メタデータ） (2024-11-11T16:33:25Z)
• What Languages are Easy to Language-Model? A Perspective from Learning Probabilistic Regular Languages [78.1866280652834]
  大規模言語モデル (LM) は文字列上の分布である。 RNNとTransformer LMによる規則的LM(RLM)の学習性について検討する。 RNNとトランスフォーマーの双方において,RLMランクの複雑さは強く,学習可能性の有意な予測因子であることが判明した。
  論文  参考訳（メタデータ） (2024-06-06T17:34:24Z)
• What Are Large Language Models Mapping to in the Brain? A Case Against Over-Reliance on Brain Scores [1.8175282137722093]
  大規模言語モデル(LLM)の内部表現は最先端の脳スコアを達成し、人間の言語処理と計算原理を共有するという憶測に繋がる。 本稿では、LLM-to-Brainマッピングに関する衝撃的な研究で使用される3つのニューラルデータセットを分析し、参加者が短いパスを読み取るfMRIデータセットに特に焦点をあてる。 このデータセット上で訓練されたLLMの脳のスコアは、文の長さ、位置、代名詞による単語の埋め込みによって大きく説明できる。
  論文  参考訳（メタデータ） (2024-06-03T17:13:27Z)
• Do Large Language Models Mirror Cognitive Language Processing? [43.68923267228057]
  大規模言語モデル(LLM)は、テキスト理解と論理的推論において顕著な能力を示した。 脳認知処理信号は、典型的には人間の言語処理を研究するために使用される。
  論文  参考訳（メタデータ） (2024-02-28T03:38:20Z)
• From Word Models to World Models: Translating from Natural Language to the Probabilistic Language of Thought [124.40905824051079]
  言語インフォームド・シンキングのための計算フレームワークである「構成」を合理的に提案する。 我々は、自然言語から確率論的思考言語への文脈感応的なマッピングとして、言語の意味を定式化する。 LLMは、現実的に適切な言語的意味をキャプチャする文脈依存翻訳を生成することができることを示す。 認知的なモチベーションを持つシンボリックモジュールを統合するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2023-06-22T05:14:00Z)

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。