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

• arxiv url: http://arxiv.org/abs/2610.03827v2
• Date: Wed, 07 Oct 2026 19:00:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.35018
• 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: 類似度スコアは、モデルが脳や言語全体と構造を共有する証拠としてしばしば提示される。 このようなスコアは、その構造が取り除かれたとき、あるいは測定した計器が動かなかったとき、何を読み取るのかを問う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Similarity scores are often offered as evidence that a model shares structure with the brain or across languages. We ask what such a score reads when that structure is removed, or when the instrument measuring it does not work, in two settings. Across seventeen languages, a grammaticality probe transfers worse between more distant languages (r = -0.66). But the probe's own accuracy falls along the same axis and is at chance in four languages, four of the five most distant. Dropping them halves the explained variance, and because it also narrows the range of distances, the design cannot say how much of the gradient is the instrument. Counting the 272 language pairs as independent gives p = 0.0006 for a steering effect that is null when the seventeen languages are the unit (p = 0.155). In brain alignment, a training objective raises a language model's similarity to fMRI responses from 0.10 to 0.34 (reliability ceiling 0.54), yet targets with the brain correspondence destroyed still reach 0.31. A shuffled target scores about k/n against the real one, for rank k and n sentences, a baseline that can be computed before any model is trained. Both interventions work, yet we detect no distance-graded steering effect and no syntactic benefit from alignment. Before reading a correspondence score, measure how much of it survives without the correspondence.
• Abstract（参考訳）: 類似度スコアは、モデルが脳や言語全体と構造を共有する証拠としてしばしば提示される。 このようなスコアは,その構造が取り除かれたとき,あるいは計測器が動作しなかったとき,どのように読み取られるのかを2つの設定で問う。 17言語にわたって、文法的プローブは、より遠い言語(r = -0.66)の間で悪化する。 しかし、探査機の精度は同じ軸に沿っており、4つの言語(最も遠い5言語のうち4言語)で偶然である。 それらを捨てると、説明されたばらつきが半減し、また距離の幅も狭くなるので、その勾配のどれぐらいが楽器なのかはわからない。 272の言語対を独立として数えると、17の言語が単位 (p = 0.155) であるときに無効となるステアリング効果の p = 0.0006 が得られる。 脳のアライメントにおいて、トレーニング対象は言語モデルのfMRI応答との類似性を0.10から0.34(信頼性天井0.54)に引き上げるが、脳の対応が破壊されるターゲットはまだ0.31に達する。 シャッフルされたターゲットは、ランク k と n の文に対して、任意のモデルが訓練される前に計算できるベースラインに対して、実際のものとk/n のスコアを付ける。 どちらの介入も機能するが、距離グレードのステアリング効果も、アライメントによる構文上の利点も検出しない。 対応スコアを読む前に、それらのうちのどれ程が、対応なしで生き残るかを測る。

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。