論文の概要: Cognitive Thermometers: Machine Learning and Logical Complexity

• arxiv url: http://arxiv.org/abs/2610.10724v1
• Date: Wed, 07 Oct 2026 18:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.62105
• Title: Cognitive Thermometers: Machine Learning and Logical Complexity
• Title（参考訳）: 認知温度計:機械学習と論理的複雑さ
• Abstract要約: 我々は、機械学習モデルを認知温度計として扱うことで、シンボリックロジックとコネクショナリストAIを橋渡しする複雑性への統一的なアプローチが可能になると主張している。
• 参考スコア（独自算出の注目度）: 3.6668331380437746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How does the human mind represent semantic categories? Why do natural languages favor certain meanings over others? Prior explanations have relied on logical definability and complexity, but these are highly sensitive to the choice of logical language, rendering some design choices unmotivated. In this article, we propose that machine learning provides a somewhat more agnostic approach to measuring semantic complexity. We review emerging evidence that logic and machine learning often yield converging results on relative complexity and its resulting effects in semantic typology. Where they diverge, learning appears to be a better explanation than logical complexity. We argue that treating machine learning models as ``cognitive thermometers'' enables a unified approach to complexity that bridges symbolic logic and connectionist AI.
• Abstract（参考訳）: 人間の心は意味圏をどのように表現しますか。 なぜ自然言語は他の言語よりも特定の意味を好むのか? 以前の説明では、論理的定義可能性と複雑性に頼っていたが、それらは論理言語の選択に非常に敏感であり、いくつかの設計選択を動機付けないものにしている。 本稿では,機械学習が意味的複雑性を測定するための,より不可知的なアプローチを提案する。 論理学と機械学習は、相対的な複雑性と意味型学におけるその影響について、しばしば収束結果をもたらすという新たな証拠をレビューする。 それらが分岐するところでは、学習は論理的な複雑さよりもよい説明であるようだ。 機械学習モデルを‘認知温度計’として扱うことで、シンボリックロジックとコネクショナリストAIを橋渡しする複雑性への統一的なアプローチが可能になる、と我々は主張する。

関連論文リスト

• Semiotic logical hexagon theory for LLM logical reasoning [15.42414269675365]
  大規模言語モデル(LLM)における意味的組織が論理的推論に与える影響について検討する。 本稿では,自然言語文の意味を整理し,構造化された検証を通して論理的推論を導くフレームワークであるHexLogicAgentを提案する。 挑戦的な論理的推論ベンチマークの実験は、HexLogicAgentが複数のLLMにわたる推論信頼性を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-24T03:10:34Z)
• Interleaving Logic and Counting [5.71869130799784]
  自然言語における量化子表現との推論は論理的特徴と算術的特徴を組み合わせたものである。 私たちのトピックは、共通言語で発生するスタイルの協調である。
  論文  参考訳（メタデータ） (2025-07-07T17:30:29Z)
• Aristotle: Mastering Logical Reasoning with A Logic-Complete Decompose-Search-Resolve Framework [117.6508659085231]
  本稿では論理完全推論フレームワークであるAristotleについて,論理解法,論理解法,論理解法,論理解法の3つの主要なコンポーネントを提案する。 本フレームワークでは,記号表現と論理規則を総合的に推論プロセスに統合する。 いくつかのデータセットの実験結果は、Aristotleが最先端の推論フレームワークを精度と効率の両方で一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2024-12-22T10:14:09Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• Do Artificial Intelligence Systems Understand? [0.0]
  提示された「知的な」振る舞いを説明するために、機械に対する理解を説明する必要はない。 タスク解決ツールとしてのインテリジェンスに対する単なる構文的・機械的アプローチは、表示可能な操作範囲を正当化するのに十分である。
  論文  参考訳（メタデータ） (2022-07-22T13:57:02Z)
• Scales and Hedges in a Logic with Analogous Semantics [0.0]
  Fuzzy Logicには、多くの説明的および応用上の利点があり、最もよく知られているのは、専門家が制御システムを開発するのを助ける能力である。 人間における社会的意思決定には、他者についての論理的な結論が共感的な感情に根ざしていることが不可欠である。 本稿では,形容詞的意味論や動詞的意味論に必要となるスケールがシステムによってどのように扱われるかを,既存の理論に追加する。
  論文  参考訳（メタデータ） (2022-01-21T12:48:58Z)
• Symbolic Logic meets Machine Learning: A Brief Survey in Infinite Domains [12.47276164048813]
  推論と帰納の緊張は、おそらく哲学、認知、人工知能といった分野において最も根本的な問題である。 本稿では,論理の限界に対する見解に挑戦する結果について報告し,無限領域での学習において論理が果たす役割を明らかにする。
  論文  参考訳（メタデータ） (2020-06-15T15:29:49Z)

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。