論文の概要: Computational Explanations of Semantic Universals
- arxiv url: http://arxiv.org/abs/2611.15804v1
- Date: Wed, 11 Nov 2026 18:19:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.248736
- Title: Computational Explanations of Semantic Universals
- Title(参考訳): 意味的普遍性の計算的説明
- Abstract要約: 言語間セマンティクスと計算言語学は、セマンティクスの普遍性の源について説明できる。
経験的領域には、量化器、色項、モダル、不定値が含まれる。
- 参考スコア(独自算出の注目度): 3.6668331380437746
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite their differences, the languages of the world share many deep features when it comes to how they express meaning. These semantic universals are likely to reflect shared aspects of human cognitive, communicative, and social structure. Recent advances in cross-linguistic semantics and computational linguistics allow us to develop explanations of the sources of such properties. This Element presents a body of work doing just that: we explicate a framework for providing computational explanations of semantic universals and then describe several such explanations using principles of ease of learning and efficient communication. Empirical domains include quantifiers, color terms, modals, and indefinites. After providing these explanations, we provide a discussion of future directions for advancing the explanatory power of computational methods in semantic typology.
- Abstract(参考訳): 彼らの違いにもかかわらず、世界の言語は、意味を表現する方法に関して、多くの深い特徴を共有している。
これらの意味的普遍性は、人間の認知、コミュニケーション、社会構造における共通の側面を反映している可能性が高い。
近年の言語間セマンティクスと計算言語学の進歩により,このような特性の源泉の説明が開発されている。
セマンティック・ユニバーサルの計算的説明を提供するためのフレームワークを詳述し、学習の容易さと効率的なコミュニケーションの原則を用いて、そのような説明をいくつか記述する。
経験的領域には、量化器、色項、モダル、不定値が含まれる。
これらの説明を行った後、意味型学における計算手法の説明力向上に向けた今後の方向性について論じる。
関連論文リスト
- Inductive Learning of Concept Embeddings from Cross-Linguistic Colexification Patterns with Textual Attributes [2.538209532048867]
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。
論文 参考訳(メタデータ) (2026-10-15T20:53:31Z) - Compositionality and the lexicon in evolutionary semantics [0.0]
進化的モデリングに形式的意味論を統合する枠組みを導入する。
最もよく知られた意味的普遍性、保守性は、効率的なシステム全体の抽象化として現れる。
このフレームワークは、文法圏内の大域的な圧縮を含む普遍性を研究するためのテンプレートを提供する。
論文 参考訳(メタデータ) (2026-06-25T16:16:08Z) - Open Vocabulary Compositional Explanations for Neuron Alignment [4.497600020881818]
ニューロンがどのように情報をエンコードするかを理解することを目的として、構成的説明は概念間の論理的関係を利用してニューロンの活性化と人間の知識の間の空間的アライメントを表現する。
本稿では、任意の概念やデータセットのニューロンを探索する視覚領域のためのフレームワークを提案する。
論文 参考訳(メタデータ) (2025-11-25T23:45:37Z) - From Words to Waves: Analyzing Concept Formation in Speech and Text-Based Foundation Models [20.244145418997377]
音声モデルとテキストモデルによって学習された概念構造を,個人的,共同的に分析する。
ニューラルネットワークの潜在表現を探索する教師なし手法である潜在概念解析を用いて、意味的抽象がモーダル間にどのように形成されるかを調べる。
論文 参考訳(メタデータ) (2025-06-01T19:33:21Z) - Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。
これらのモデルでは、概念は人間のものと似ていますか?
LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
論文 参考訳(メタデータ) (2025-01-21T23:54:17Z) - A Complexity-Based Theory of Compositionality [53.025566128892066]
AIでは、構成表現は配布外一般化の強力な形式を可能にすることができる。
ここでは、構成性に関する直観を考慮し、拡張する、表現的構成性と呼ばれる定義を提案する。
私たちは、AIと認知科学の両方において、文学全体から異なる直観を統一する方法を示します。
論文 参考訳(メタデータ) (2024-10-18T18:37:27Z) - Interpretability is in the Mind of the Beholder: A Causal Framework for
Human-interpretable Representation Learning [22.201878275784246]
説明可能なAIは、入力機能などの低レベル要素の観点から定義された説明から、データから学んだ解釈可能な概念でエンコードされた説明へとシフトしている。
しかし、そのような概念を確実に取得する方法は、基本的には不明確である。
ポストホックな説明器と概念に基づくニューラルネットワークの両方に適した解釈可能な表現を得るための数学的枠組みを提案する。
論文 参考訳(メタデータ) (2023-09-14T14:26:20Z) - Compositional Processing Emerges in Neural Networks Solving Math
Problems [100.80518350845668]
人工知能の最近の進歩は、大きなモデルが十分な言語データに基づいて訓練されると、文法構造が表現に現れることを示している。
我々は、この研究を数学的推論の領域にまで拡張し、どのように意味を構成するべきかについての正確な仮説を定式化することができる。
私たちの研究は、ニューラルネットワークがトレーニングデータに暗黙的に構造化された関係について何かを推測できるだけでなく、個々の意味の合成を合成全体へと導くために、この知識を展開できることを示している。
論文 参考訳(メタデータ) (2021-05-19T07:24:42Z) - A Minimalist Dataset for Systematic Generalization of Perception,
Syntax, and Semantics [131.93113552146195]
我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。
HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。
我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
論文 参考訳(メタデータ) (2021-03-02T01:32:54Z)
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。