紧急沟通:了解人类语言演化还缺什么?
本文探讨了关于 emergent communication 和 language origins 中 compositionality 和 reflexivity 的不同标准,指出了在未来的研究中注重 reflexivity 而非 compositionality 的重要性,并提供了一些有用的参考文献。
Nov, 2019
通过对自发交流模型的文献综述,我们确定了塑造语言模型的关键压力:交流成功、效率、易学性和其他心理 / 社会语言因素,并认为这可以为语言习得和语言演化研究的语言模型设计提供启示。
Mar, 2024
研究了深度神经网络智能体在 Lewis 游戏中的模仿学习行为, 发现了组合性与模仿学习之间的关系, 带来了两个贡献:一是不同类型的学习算法对语言的影响, 二是发现组合性语言的易于模仿性
May, 2023
研究表明,随着深度人工网络的感知、移动和规划能力的增强,研究人员正在研究它们是否也能发展出共享语言来相互交互,并探讨语言在深度代理人群体中演化及紧急特性的条件,这既有助于理解人类语言进化的过程,也可以让深度网络在日常生活中更加灵活和有用。本文概述了各角度最具代表性的语言演化研究。
Jun, 2020
本文研究了语言中的复合性在普遍性和人类认知中的作用,并通过两个代理人之间的沟通博弈,证明了当在适当的数据集上进行评估时,复合性确实似乎对成功的泛化至关重要。
Jun, 2022
本篇论文提出一种内在奖励框架,通过强化学习设置两个代理,以在三个不同的指称游戏环境下将有限通道容量与内在奖励相结合,提高新颖环境下组合性得分约 1.5-2 倍。
Dec, 2020
本文针对自然语言和应用语言学习中需要考虑的多种要素进行分析,重点关注神经网络的容量以及传输渠道的带宽对于学习组合性语言的影响,并且提出一种新的评估度量,以此探索神经网络的能力范围并促进系统化的广义化。
Oct, 2019
通过 “任务 & 告诉” 游戏,本文证明了虽然大多数机器发明的语言是有效的,但它们并不可解释或复合。由此发现自然语言并不会自然产生,为了达到人类一样的语言理解,需要增加通信的限制。
Jun, 2017
提出了一个新的神经智能代理语言学习和通讯框架 (NeLLCom),通过监督学习和强化学习来优化在自然语言学习和使用情况下语言学习的结果,成功实现了无任何学习偏见的代理之间单词顺序 / 格标记权衡的复制,这被视为深度研究语言普遍规律的重要一步。
Jan, 2023
发展人机互动中准确使用自然语言的机器,重要性愈发突显。本文回顾了近年来涉及新兴交流(Emergent communication)的文献,分析了其公共特性、两个子类别和挑战,并强调了多元视角和专业知识在领域中的重要性,主张研究者们共同努力以寻找共同问题的多种解决方案,加深对人类交流的理解,从而发展出更能准确使用自然语言的机器。
Aug, 2023