論文の概要: Inductive Learning of Concept Embeddings from Cross-Linguistic Colexification Patterns with Textual Attributes

• arxiv url: http://arxiv.org/abs/2610.22638v1
• Date: Thu, 15 Oct 2026 20:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.667933
• Title: Inductive Learning of Concept Embeddings from Cross-Linguistic Colexification Patterns with Textual Attributes
• Title（参考訳）: テキスト属性を用いた言語横断的コレキシフィケーションパターンからの概念埋め込みのインダクティブ学習
• Abstract要約: 本稿では,概念の埋め込みを学習するための帰納的フレームワークを提案する。 得られた概念埋め込みは、類似性や関連性の様々な言語間比較尺度と相関し、トレーニングデータから欠落した新しい概念によく対応していることを示す。
• 参考スコア（独自算出の注目度）: 2.538209532048867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of distributional semantics as a framework for computational semantics marked a paradigm shift in the nature of representations, by which meanings are represented as dense vectors commonly known as word embeddings. Computational approaches to historical or typological language comparison, on the other hand, still mostly rely on discrete representations, while the potential of embedding-based methods remains largely untapped in this context. Recent studies have proposed concept embeddings as a language-independent, onomasiological counterpart to word embeddings, based on networks of cross-linguistic colexification patterns. While the resulting concept embeddings reflect meaningful semantic properties and relations, they suffer from a lack of scalability, since they rely on transductive embedding approaches which only learn embeddings for nodes present in the training data. In this study, we present an inductive framework for learning concept embeddings, combining the structural properties of full and partial colexification networks with semantic information from short concept descriptions. This framework allows the embedding of unseen concepts based on a short definition. We show that the resulting concept embeddings correlate with various cross-linguistic measures of similarity or relatedness, while generalizing well to new concepts that were absent from the training data.
• Abstract（参考訳）: 計算意味論の枠組みとしての分布意味論の出現は、表現の性質のパラダイムシフトを象徴し、その意味は単語埋め込みとして知られる密度の高いベクトルとして表される。 一方、歴史的あるいはタイプ的言語の比較に対する計算的アプローチは、ほとんどの場合、離散的な表現に依存しているが、埋め込みベースの手法の可能性は、この文脈では未解決のままである。 近年,言語に依存しないオノマシロジカルな言語埋め込みの概念が提案されている。 結果として生じる概念の埋め込みは意味のあるセマンティックな特性と関係を反映するが、それらはスケーラビリティの欠如に悩まされる。 本研究では,概念の埋め込みを学習するための帰納的枠組みを提案し,完全および部分的照合ネットワークの構造特性と,短い概念記述からの意味情報を組み合わせた。 このフレームワークは、短い定義に基づいて、目に見えない概念の埋め込みを可能にする。 得られた概念埋め込みは、類似性や関連性の様々な言語間比較尺度と相関し、トレーニングデータから欠落した新しい概念によく対応していることを示す。

関連論文リスト

• 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)
• Formal Concept Lattices are Good Semantic Scaffolds for Concept-Based Learning [22.873980931052685]
  ディープラーニングモデルにとって、セマンティクスの学習は、解釈可能で、人間の推論に適合することが不可欠である。 概念ベースのモデルは、意味のあるセマンティック抽象化を通じてクラスを表現することによって、これにアプローチする。 ニューラルネットワーク学習を導くために,形式的概念格子が基本的意味足場を提供することを示す。
  論文  参考訳（メタデータ） (2026-06-03T21:50:29Z)
• Insight: Interpretable Semantic Hierarchies in Vision-Language Encoders [52.94006363830628]
  言語対応の視覚基盤モデルは、下流の様々なタスクで強く機能する。 近年の研究では、これらの表現を人間の解釈可能な概念に分解するが、空間的接地が乏しく、画像分類に限られている。 入力画像に人間が解釈可能で空間的に接地した、きめ細かい概念を提供する言語対応概念基盤モデルであるInsightを提案する。
  論文  参考訳（メタデータ） (2026-01-20T09:57:26Z)
• Analyzing Latent Concepts in Code Language Models [10.214183897113118]
  グローバルなポストホック解釈可能性フレームワークであるコード概念分析(CoCoA)を提案する。 CoCoAは、コード言語モデルの表現空間における創発的語彙、構文、意味構造を明らかにする。 本稿では,静的解析ツールをベースとした構文アライメントと,プロンプトエンジニアリングによる大規模言語モデルを組み合わせたハイブリッドアノテーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-01T03:53:21Z)
• Grounded learning for compositional vector semantics [1.4344589271451351]
  本研究では、スパイクニューラルネットワークアーキテクチャ内で構成分布意味論を実装する方法を提案する。 また,ラベル付き画像を用いて単語表現を訓練する手法についても述べる。
  論文  参考訳（メタデータ） (2024-01-10T22:12:34Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Linear Spaces of Meanings: Compositional Structures in Vision-Language Models [110.00434385712786]
  事前学習された視覚言語モデル(VLM)からのデータ埋め込みにおける構成構造について検討する。 まず,幾何学的観点から構成構造を理解するための枠組みを提案する。 次に、これらの構造がVLM埋め込みの場合の確率論的に持つものを説明し、実際に発生する理由の直観を提供する。
  論文  参考訳（メタデータ） (2023-02-28T08:11:56Z)
• Variational Cross-Graph Reasoning and Adaptive Structured Semantics Learning for Compositional Temporal Grounding [143.5927158318524]
  テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。 新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。 ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-22T08:02:23Z)
• 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)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。