論文の概要: Concept Representations in Vector Space: Quantifying Sharedness and Idiosyncrasy of Meaning

• arxiv url: http://arxiv.org/abs/2610.15496v1
• Date: Sun, 11 Oct 2026 09:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 18:18:16.812056
• Title: Concept Representations in Vector Space: Quantifying Sharedness and Idiosyncrasy of Meaning
• Title（参考訳）: ベクトル空間における概念表現:意味の共有性と慣用性の定量化
• Abstract要約: 本研究では,概念表現の個人間変動をモデル化し,分析するフレームワークを開発した。 このフレームワークは、理論的に解釈可能な$S_b$の変動を見つけ、概念間の二項分散の信頼できる情報源として$I_b$を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concepts are the basic units through which we navigate the world and communicate meaning. But do you and I really mean the same thing when we think or speak about a concept? The present study develops a measurement framework for modeling and analyzing interindividual variation in concept representations through sentence embeddings, dense vector representations mapping entire utterances into a shared geometric space. The framework is developed in a theoretical argument and validated, demonstrated, and subjected to robustness checks in a pre-registered study. Short personal definitions, elicited from $N = 125$ participants, are encoded as sentence embeddings and submitted pairwise to a crossed random effects model yielding two concept-level quantities: sharedness ($S_b$), the expected dissimilarity between two randomly drawn individuals, and idiosyncrasy ($I_b$), the person-specific share of total dyadic variance. Two validity tests support the approach: the embedding space fully recovers concept and domain organization from participant definitions even with the target word excluded, and a parameter-free classifier achieves 0.630 accuracy in a within-participant extensional prediction task against a chance baseline of 0.500 and a consistency ceiling of 0.893. The framework finds theoretically interpretable variation in $S_b$ and establishes $I_b$ as a reliable source of dyadic variance across concepts. Results replicate across three encoders varying in architecture and capacity, providing a reproducible and scalable instrument for the empirical study of meaning variation.
• Abstract（参考訳）: 概念は、世界をナビゲートし、意味を伝える基本的な単位です。 しかし、コンセプトを考えたり話したりする場合、あなたと私は本当に同じ意味なのでしょうか? 本研究では,全発話を共有幾何学空間にマッピングする密度ベクトル表現を用いて,概念表現の個人間変動をモデル化・解析するフレームワークを開発した。 このフレームワークは理論的な議論の中で開発され、事前登録された研究で堅牢性チェックを受け、検証され、実証される。 N = 125$の参加者から抽出された短い個人的定義は、文の埋め込みとしてエンコードされ、2つの概念レベルの量である共有性(S_b$)、2つのランダムに描画された個人間の期待された相同性(I_b$)、そして、全Dyadic分散の個人固有の共有であるidiosyncrasy(I_b$)の2つの概念レベルの量を生成するクロスランダムエフェクトモデルにペアワイズで提出される。 埋め込み空間は、対象語を除外した場合でも、参加者定義から概念とドメイン組織を完全に回復し、パラメータフリー分類器は、確率ベースライン0.500、一貫性天井0.893に対して、参加者内拡張予測タスクにおいて0.630精度を達成する。 このフレームワークは、理論的に解釈可能な$S_b$の変動を見つけ、概念間の二項分散の信頼できる情報源として$I_b$を確立する。 結果は、アーキテクチャとキャパシティの異なる3つのエンコーダにまたがって複製され、意味の変化を実証的に研究するための再現可能でスケーラブルな機器を提供する。

関連論文リスト

• Interpretable but Fragile? Robustness of Concept Bottlenecks under Geometric-Semantic Perturbations [15.406989753867604]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、解釈可能な中間表現を提供するように設計されている。 我々は、不一致は異なる堅牢性の概念と摂動体制を混同することによって生じると論じる。
  論文  参考訳（メタデータ） (2026-09-29T22:35:54Z)
• Conceptual Networks for Cross-Linguistic Idiomatic Expressions: A Feature-Based Graph Approach [0.0]
  本稿では,8言語にまたがる慣用的・具体的意味を表現するための解釈可能なネットワークベースのフレームワークを提案する。 各表現は認知言語理論から派生した二項概念的特徴で注釈付けされ、ペアワイドのジャカード類似性は重み付きグラフを定義する。 コミュニティ検出では、言語ではなく概念スキーマによってイディオムがクラスタ化され、認知言語学的な予測と一致した構造が生成される。
  論文  参考訳（メタデータ） (2026-07-10T16:25:51Z)
• Capability $\neq$ Interpretability: Human Interpretability of Vision Foundation Models [24.250649573452666]
  視覚モデルの人間の解釈可能性を測定し比較するための枠組みを構築した。 チャンスアンコールされたスコアリング関数は、すべてのモデルを共通のスケールに配置する。 ファンデーションモデルは、監督されたモデルよりも、*無関係に解釈可能である。
  論文  参考訳（メタデータ） (2026-05-19T18:00:06Z)
• A Geometric Unification of Concept Learning with Concept Cones [58.70836885177496]
  解釈可能性の2つの伝統は、並べて進化してきたが、互いに話すことはめったにない:概念ボトルネックモデル(CBM)とスパースオートエンコーダ(SAE)。 両パラダイムが同じ幾何学的構造をインスタンス化することを示す。 CBMは人間の定義した参照ジオメトリを提供するが、SAEは学習した円錐がCBMをどの程度よく近似するか、あるいは包含しているかによって評価することができる。
  論文  参考訳（メタデータ） (2025-12-08T09:51:46Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• A Geometric Notion of Causal Probing [85.49839090913515]
  線形部分空間仮説は、言語モデルの表現空間において、動詞数のような概念に関するすべての情報が線形部分空間に符号化されていることを述べる。 理想線型概念部分空間を特徴づける内在的基準のセットを与える。 2つの言語モデルにまたがる少なくとも1つの概念に対して、この概念のサブスペースは、生成された単語の概念値を精度良く操作することができる。
  論文  参考訳（メタデータ） (2023-07-27T17:57:57Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• CURI: A Benchmark for Productive Concept Learning Under Uncertainty [33.83721664338612]
  我々は、新しい数ショットメタラーニングベンチマーク、コンポジション推論を不確実性の下で導入する(CURI)。 CURIは、疎結合、生産的一般化、学習操作、変数バインディングなどの抽象的な理解を含む、生産的および体系的な一般化の異なる側面を評価します。 また、モデルに依存しない「構成性ギャップ」を定義し、それぞれの軸に沿って分布外分布を一般化することの難しさを評価する。
  論文  参考訳（メタデータ） (2020-10-06T16:23:17Z)
• A Deeper Look at the Unsupervised Learning of Disentangled Representations in $\beta$-VAE from the Perspective of Core Object Recognition [0.0]
  コアオブジェクト認識(Core Object Recognition)として知られる、外見の違いに拘わらず、物体を認識する能力は、人間の知覚の重要な部分を形成する。 人工的な知覚設定において、物体識別タスクに挑戦するために、様々な計算パーセプチュアルモデルが構築されている。 この論文は変分オートエンコーダ(VAE, $beta$-VAE)の一般化を探求する研究プロジェクトを構成する。
  論文  参考訳（メタデータ） (2020-04-25T08:14:03Z)

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。