学习调解差异以促进实用交流
本文讨论了人类语言的理论模型 Rational Speech Acts (RSA) 框架下通过递归社会推理来捕捉语用现象的一种思路,并通过使用点对点通信游戏数据集,设计了一种新的模型来实现基于内部听众模型的成本分摊机制,实现了在多种语境下快速生成有效而简洁的语言。
May, 2020
通过定义和优化经训练的统计分类器,RSA 模型可用作自然语言处理应用程序的隐藏层,从而打开了新的应用领域和有效从数据学习的可能性,我们在指代表达生成任务中验证了该模型,表明将有关自然语言生成的洞见特征纳入 RSA 中可实现最佳性能。
Oct, 2015
本文研究了何种计算原则支持人类实用推理。使用 RSA 框架,论文以概率说话者和听者递归推理为基础,分析了 RSA 递归推理动力学,并探讨了相关的信息理论原则,以实现优化实用程序和交际努力的平衡。
May, 2020
在本文中,我们介绍了一种结构化信号博弈,一种在上下文中意义之间具有相似性结构的经典信号博弈的扩展形式,以及一种我们称之为结构化 RSA(sRSA)的 Rational Speech Act(RSA)框架变体,用于结构化领域中的信息推理。我们研究了 sRSA 在颜色领域的行为,并显示出在仅进行 1 或 2 个递归级别后,使用 sRSA 的语用代理在来自 World Color Survey 的语义表示上达到了接近信息论界限的效率。我们还探讨了语用推理与多智能体强化学习框架中的学习之间的相互作用。我们的结果说明,使用 sRSA 的人工代理比使用 RSA 和仅强化学习的代理开发出更接近信息论前沿的通信。我们还发现,在允许语用代理在学习过程中进行更深入的彼此推理时,语义表示的歧义性会增加。
May, 2023
我们探讨了如何通过 Rational Speech Acts 框架的方法,为已有的对话代理赋予公共自我意识的能力,以强化其一致性并减少矛盾,同时探索了如何在对话中提高背景一致性。
Apr, 2020
利用 RSA 框架与深度学习方法相结合,在多步骤过程中生成更好的、可解释的表述,在复杂的视觉场景中进行实验,比较我们的方法与其他端到端深度学习方法以及 RSA 变体的表现,结果表明,我们的方法在人类理解方面优于类似 RSA 方法,而在有限数据的情况下优于端到端深度学习。
May, 2022
本研究提出新的基准测试系统 ——Diplomat,并针对语用推理和情境对话理解问题提出两个任务:语用识别与推理以及对话问答。通过在 4,177 个多轮对话中建立数据集,并利用状态 - 时间优化算法实现实验,发现大型语言模型表现不佳,情境理解是构建良好人机交互的关键因素,现有模型在语用推理应用方面存在缺陷,进一步需要更多的关注以提高对上下文的理解、推理和暗示意义建模的能力。
Jun, 2023