論文の概要: Hey, guess what: CUES lead to inferences about typicality

• arxiv url: http://arxiv.org/abs/2610.33239v1
• Date: Fri, 23 Oct 2026 19:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.279435
• Title: Hey, guess what: CUES lead to inferences about typicality
• Title（参考訳）: CUESは典型性に関する推論につながります。
• Abstract要約: 非定型性と典型性推論の両方について検討する。 人間の場合、3つのCUESは典型性(Commonsense Knowledge、Utterance Emphasis、Snark)に関する推論を予測する。 ほとんどの実験的な環境では、LLMにはイベントの一般的な典型を正確に評価するために必要な必須共通知識が欠けていることが分かりました。
• 参考スコア（独自算出の注目度）: 4.417669739000034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Throughout life, we accumulate knowledge of how typical certain events are. We use this knowledge in daily conversation, often interpreting meaning beyond what has been said explicitly. In this work, we take steps to better understand this meaning recovery, investigating both atypicality and typicality inferences. First, we construct two corpora, EventTyp and the human-validated EventTypGold. We conduct large-scale human and LLM experiments and find that for humans, three CUES predict inferences about typicality: Commonsense Knowledge, Utterance Emphasis, and Snark. However, in most experimental settings, we find that LLMs lack the prerequisite Commonsense Knowledge necessary to accurately assess an event's general typicality, and therefore struggle to follow these CUES.
• Abstract（参考訳）: 人生を通して、私たちは特定の出来事がいかに典型的なものであるかの知識を蓄積します。 私たちはこの知識を日々の会話で利用し、しばしば明示的に言われたこと以上の意味を解釈します。 そこで本研究では,非定型性と典型性推論の両方について検討し,回復の意味をよりよく理解するためのステップを採る。 まず、EventTypと人為的なEventTypGoldという2つのコーパスを構築します。 我々は大規模な人間とLLM実験を行い、人間にとって3つのCUESが典型性(常識知識、発話強調、スナルク)を予測できることを発見した。 しかし、ほとんどの実験では、LLMにはイベントの一般的な典型を正確に評価するために必要な必須共通知識が欠如しているため、これらのCUESに従うのに苦労している。

関連論文リスト

• Modeling the Arrival Time of Information-Bearing Events in Natural Language [4.344418321504706]
  本稿では,学習可能なイベント強度関数を持つテキストシーケンスにおいて,重要な情報を含むイベントをモデル化するための新しいアプローチを提案する。 本モデルでは, イベント間隔の履歴と, LLMからの文脈意味表現を入力とし, 新単語と高次トークンの2種類のイベントの到着時刻を予測する。
  論文  参考訳（メタデータ） (2026-10-09T18:25:22Z)
• UNcommonsense Reasoning: Abductive Reasoning about Uncommon Situations [62.71847873326847]
  異常、予期せぬ、そしてありそうもない状況をモデル化する能力について検討する。 予期せぬ結果のコンテキストが与えられた場合、このタスクは説明を生成するために故意に推論する必要がある。 私たちはUNcommonsenseという新しい英語コーパスをリリースします。
  論文  参考訳（メタデータ） (2023-11-14T19:00:55Z)
• Investigating Forgetting in Pre-Trained Representations Through Continual Learning [51.30807066570425]
  事前学習した言語モデルの汎用性に及ぼす表現忘れの影響について検討する。 様々な事前学習されたLMで一般化が破壊され,構文的・意味的知識は連続学習によって忘れられることがわかった。
  論文  参考訳（メタデータ） (2023-05-10T08:27:59Z)
• COPEN: Probing Conceptual Knowledge in Pre-trained Language Models [60.10147136876669]
  概念的知識は人間の認知と知識基盤の基本である。 既存の知識探索作業は、事前訓練された言語モデル(PLM)の事実知識のみに焦点を当て、概念知識を無視する。 PLMが概念的類似性によってエンティティを編成し、概念的特性を学習し、コンテキスト内でエンティティを概念化するかどうかを調査する3つのタスクを設計する。 タスクのために、393のコンセプトをカバーする24kのデータインスタンスを収集、注釈付けします。
  論文  参考訳（メタデータ） (2022-11-08T08:18:06Z)
• Are All Steps Equally Important? Benchmarking Essentiality Detection of Events [92.92425231146433]
  本稿では,現在のモデルが目標イベントに関連するステップイベントの本質をどの程度理解しているかについて検討する。 コミュニティガイドサイトWikiHowから収集した高品質なペア(ゴール,ステップ)コーパスをコントリビュートする。 高いアノテータ間の合意は、人間が事象の本質について一貫した理解を持っていることを証明している。
  論文  参考訳（メタデータ） (2022-10-08T18:00:22Z)
• EventBERT: A Pre-Trained Model for Event Correlation Reasoning [34.5354483623551]
  事象相関推論は、複数の事象を含む自然言語節が人間の常識に合致するかどうかを推測する。 本研究では,未ラベルテキストから結果整合性知識をカプセル化するための事前学習モデルであるEventBERTを提案する。
  論文  参考訳（メタデータ） (2021-10-13T06:57:47Z)

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。