使用神经听者和说者推理语用学
该论文提出了一种基于递归语用推理框架的实用指称表达解释模型,利用两个循环神经网络分类器的预测来识别颜色,实验证明模型比分类器更准确地解释颜色描述,并且大部分改进来自于结合说话者和听者视角。
Mar, 2017
本文通过在英语材料的专家评估集上进行零 - shot 提示,进行了人类和语言模型在七个语用现象上的精细比较,发现最大的模型可以实现高精度和匹配人类错误模式,同时发现证据表明模型和人类对相似的语言提示敏感,旨在探讨人类语用处理机制和语言模型之间的关系。
Dec, 2022
本研究提出了一种使用内置语音模型的视觉 - 语言导航方法,该方法利用演讲者模型来合成新的指令进行数据增强,并实现了实用推理和全景动作空间,大大提高了基线指令跟随者的性能,在标准基准测试中成功率超过现有最佳方法的两倍。
Jun, 2018
人们通过上下文来丰富文字表达,实现简洁而有效的沟通,为了让人工智能系统能够与人类进行自然交互,需要强调语用学技能,从分享语言目标和约定到视觉和肢体世界中的语境等,利用各种上下文信息有效地运用语言。本文调查现有的语境实现和语用模型方法,并分析了每个工作中的任务目标、环境语境和沟通便利之间的关系,从而丰富了语言含义。我们提出了关于未来基于任务设计的语境需求,以自然地引出语用现象的建议,并建议在更广泛的沟通语境和便利方面继续探索。
Nov, 2022
本文提出了一种基于对比度创建区分性字幕的方法,该方法建立在将字幕作为参照游戏进行的实用推理程序上,并利用现成的 CLIP 模型对接收者进行参数化,以在推理分别对待种类相似的其他干扰图像时从 CLIP 获得视觉 - 语言对齐表示,其自动优化字幕的信息性,优越于人们对具有区分性字幕的图像的准确性评估。
Jun, 2023
本文利用计算语用学中的技术,将语言生成模型的建模过程形式化为说话者和听者之间的游戏,通过两种语用建模方法,即保留信息和建模干扰项,来提高抽象概括和结构化含义表述的生成系统的性能。
Apr, 2019
本文通过概率认知模型解释了语言模型的运行方式,尤其是展示了通过强化学习从人类反馈中优化的大型语言模型实现了一种类似于 Kahneman 快慢思考模型的思维模型,并讨论了强化学习作为快慢思考模型的局限性,并提出了扩展此框架的方向。总的来说,我们的工作表明,通过认知概率建模的视角来理解、评估和发展语言模型可以提供有价值的见解。
May, 2023