Nov, 2022

基于实境的语言学习中的语用学问题、任务和建模方法

PDF
TL;DR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。
发现论文，激发创造
  • 人类与语言模型的语用语言理解的精细比较

    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

  • 使用神经听者和说者推理语用学

    我们提出了一个基于先验推理和学习语义结合的思想来描述场景的模型，成功率高于现有技术。

    Apr, 2016

  • 以行动示范为导向，而非口头指示：将自然语言融入机器人可用性

    利用预训练技能约束自然语言模型以便进行真实世界的物理执行，从而实现语言驱动机器人。

    Apr, 2022

  • 理解心理学与指称游戏相互作用的语用学的涌现

    本文提出一种基于理论智能和自适应强化学习算法的合作式多智能体情境下的通讯协议，使得智能体可以在没有显式设计规则的情况下自发地学习 “读懂人心”，实现了语用学的概念在多智能体通讯系统中的有效应用。

    Jan, 2020

  • 生成和跟随指令的统一语用模型

    使用显式的实用推断对于复杂的序列任务生成和遵循自然语言指令是有帮助的，研究表明实用推断可以提高在不同环境下生成和理解自然语言指令的效果。

    Nov, 2017

  • 自然语言生成任务的实用生产策略探索

    提出一种自然语言生成系统设计的概念框架，以实现复杂的交际目标，并通过现代统计方法提供针对目标、成本和效用的具体建议。同时，倡导开发可以通过类人的方式推理目标、成本和效用的 NLG 系统。

    Oct, 2022

  • 在模拟的 3D 世界中的基于场景语言学习

    通过增强和无监督学习，训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令，将语言符号与周围物理环境的感知表示和相关的行动序列联系起来，实现语言含义的压缩和提取，从而揭示出关于语言基于感知概念的本质和潜力。

    Jun, 2017

  • 视觉引导语言学习：语言游戏，数据集，任务和模型综述

    对于基于语言模型目标在大规模纯文本数据上进行训练的几种机器学习模型，在许多自然语言理解和生成任务上取得了令人印象深刻的结果。然而，对于语义的许多方面，仅仅通过 “倾听收音机” 是无法学习到的。本文系统地回顾了视觉 + 语言领域中提出的多个任务和模型。利用维特根斯坦的 “语言游戏” 思想，将这些任务分为 3 个不同的类别：1）区分性游戏，2）生成性游戏，和 3）交互式游戏。我们的文献分析提供了证据，表明未来的工作应该专注于重要的交互式游戏，在其中自然语言的交流对于解决关于物体指称和行动计划的不确定性是必要的，而物理体现则是理解场景和事件语义的重要条件。作为总体，这些是发展基于神经模型的扎根意义的关键要求。

    Dec, 2023

  • 经验铸就语言

    语言理解研究在未能将语言与其所描述的物理世界和所促进的社会互动相联系的情况下受到阻碍，因此现在的成功表示学习方法需要与涉及语言的更广泛的物理和社会背景的研究相结合来解决沟通的更深层次的问题。

    Apr, 2020

  • 构建类人交际智能：一个基于现实经验的视角

    该论文旨在提出一种 “基础” 的视角，启发人工智能的进步，包括 “基于感知 - 动作循环的体现、嵌入、延伸和实践认知” 的研究方向，以及运用逐步发展的技能促进逐步的语言发展、逐渐适应物理和社会环境的智能代理等几个具体的组成部分，以建立人类一样的语言能力。

    Jan, 2022