論文の概要: The Score Is Not the Structure: Brain Alignment and Cross-Lingual Transfer

• arxiv url: http://arxiv.org/abs/2610.03827v1
• Date: Fri, 02 Oct 2026 09:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.349131
• Title: The Score Is Not the Structure: Brain Alignment and Cross-Lingual Transfer
• Title（参考訳）: スコアは構造ではない:脳のアライメントと言語間移動
• Abstract要約: 研究者はしばしば、モデルが脳や言語全体と構造を共有しているという主張を支持し、類似性のスコアを報告している。 このようなスコアは、共有構造が欠如しているとき、あるいはその測定ツールが機能しないとき、何を読むのかを問う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Researchers often support the claim that a model shares structure with the brain, or across languages, by reporting a similarity score. We ask what such a score reads when the shared structure is absent, or when the tool that measures it does not work. We check two settings, and in both the score is not what it appears. First, a probe trained to tell grammatical from ungrammatical sentences in one language transfers worse to more distant languages, the usual evidence for shared structure. But the probe itself gets worse along the same axis: in four of seventeen languages it performs at chance, so 64 of 272 language pairs are scored with a tool that does not work. Dropping those languages halves the strength of the relationship, but they are also the most distant, and this design cannot separate the two effects. Counting matters too: the same data give p = 0.0006 when the 272 pairs are treated as independent and p = 0.155 when the seventeen languages are, which is the correct unit. Second, training a language model to match human brain responses raises its similarity score from 0.10 to 0.34, against a ceiling of 0.54. A model trained on a target whose correspondence to the brain was destroyed still scores 0.31, so only 0.028 to 0.068 of the rise is specific to the brain. With no model at all, a destroyed target already sits at 0.204 from the real one, a floor that tracks the target's rank divided by the number of sentences. Finally, steering a language along its own direction works (+6.2 over a random direction in sixteen of seventeen languages) yet shows no effect that varies with language distance. Before asking whether a correspondence helps, ask how much of the score would survive without it.
• Abstract（参考訳）: 研究者はしばしば、モデルが脳や言語全体と構造を共有しているという主張を支持し、類似性のスコアを報告している。 このようなスコアは、共有構造が欠如しているとき、あるいはその測定ツールが機能しないとき、何を読むのかを問う。 私たちは2つの設定をチェックします。 第一に、ある言語における非文法的な文から文法を伝えるために訓練されたプローブは、共有構造を示す通常の証拠である、より遠い言語に悪影響を及ぼす。 しかし、プローブ自体が同じ軸に沿って悪化する。17言語のうち4言語は偶然に動作し、272言語ペアのうち64言語は機能しないツールで得点される。 これらの言語をドロップすると、関係の強さが半減するが、それらもまた最も遠いものであり、この設計は2つの効果を区別することができない。 同じデータから、272対が独立に扱われるとき p = 0.0006 となり、17言語が正しい単位であるとき p = 0.155 となる。 第二に、人間の脳反応に合わせて言語モデルを訓練すると、その類似度スコアが0.10から0.34に上昇し、天井は0.54に上昇する。 脳への応答が破壊されるターゲットで訓練されたモデルでは、スコアが0.31であるため、上昇の0.028から0.068のみが脳に特異的である。 モデルが全くない状態では、破壊対象は実際の目標から0.204で、その目標のランクを文数で割ったフロアである。 最後に、言語を自身の方向に沿って操る(17の言語のうち16の言語のうち、ランダムな方向では+6.2)が、言語距離によって異なる効果は示さない。 対応が役に立つかどうかを尋ねる前に、スコアのどれぐらいがそれなしで生き残るのかを尋ねます。

関連論文リスト

• Wontopos Tablet 2: Measuring Multilingual and Multimodal Memory Retrieval Without Lexical Matching [6.056779285861064]
  Tablet-2は、言語モデルのための長期記憶エンジンである。 検索パスには語彙マッチングもキーワードスコアリングも言語モデルも含まない。 クロスモーダル3600写真300枚を14ヶ国語で公開し、密度が言語独立を許さないことを示した。
  論文  参考訳（メタデータ） (2026-08-24T23:54:08Z)
• Actions Speak Louder than Words: Measuring Cross-Lingual Policy Retention in Tool-Using Agents [22.30468215041597]
  ツール使用エージェントは別の言語で同じタスクを与えられるが、それでも同じステップを踏むだろうか? アクションポリシーを,8つのモデル,6つの並列ベンチマーク,41の言語で測定対象とする。
  論文  参考訳（メタデータ） (2026-08-11T16:18:34Z)
• Computational Lesions in Multilingual Language Models Separate Shared and Language-specific Brain Alignment [43.72658186052991]
  脳がさまざまな言語で言語をどのようにサポートしているかは、神経科学の基本的な問題であり、多言語人工知能にとって有用なテストである。 ここでは、制御可能なシステムとして6つの多言語大言語モデル(LLM)を使用し、対象とする計算障害を生成する。 自然主義的物語聴取100分間における機能的磁気共鳴画像(fMRI)の応答予測における無傷モデルと損傷モデルの比較を行った。
  論文  参考訳（メタデータ） (2026-04-12T13:06:47Z)
• On the Off-Target Problem of Zero-Shot Multilingual Neural Machine Translation [104.85258654917297]
  識別対象言語信号の符号化に失敗すると、オフターゲットとなり、語彙距離が近くなることが判明した。 多言語語彙構築のための言語認識語彙共有(LAVS)を提案する。 我々は11言語で多言語機械翻訳ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T12:43:31Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• Are Mutually Intelligible Languages Easier to Translate? [30.41671642147019]
  本稿では,ニューラルマシーン翻訳モデルの学習に必要なデータ量は,言語間の相互理解性に反することを示す。 ロマンス語群の実験では、モデルの学習曲線の下での領域と、人間の話者を研究することによって得られる相互の知性スコアとの間には、確かに強い相関関係があることが明らかにされた。
  論文  参考訳（メタデータ） (2022-01-31T09:22:23Z)
• A Massively Multilingual Analysis of Cross-linguality in Shared Embedding Space [61.18554842370824]
  言語間モデルでは、多くの異なる言語に対する表現は同じ空間に存在している。 我々は,bitext検索性能の形式で,言語間アライメントのタスクベース尺度を計算した。 我々はこれらのアライメント指標の潜在的な予測因子として言語的、準言語的、および訓練関連の特徴について検討する。
  論文  参考訳（メタデータ） (2021-09-13T21:05:37Z)
• 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)

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。