迭代学习与交流共同解释了高效的颜色命名系统
本文研究了如何平衡效用、信息的有效性和复杂性,从而塑造新兴的通信,并将其与人类通信进行比较。我们使用 VQ-VIB 方法训练神经代理来压缩输入以获得离散信号,从而比以往的神经体系结构在其性能方面更具优越性,并发现惩罚交际复杂性可以维持高效用的同时维持类似人类的词汇量。此外,我们还发现,VQ-VIB 优于其他离散通信方法。
Jun, 2022
该研究发现,在使用神经网络代理进行迭代语言学习的近期模拟中,并不存在诸如词序或屈折等表达句法结构的不同策略间的权衡。然而,这一研究发现在考虑到偏向于高效传达、不系统的输入语言和学习瓶颈等三个因素后得到了重新评估,并发现神经网络代理主要努力保持学习期间观察到的话语类型分布,而不是发展更高效或系统化的语言。
Apr, 2021
利用双向长短期记忆网络与主动学习,开发了一种新型模型,旨在桥接我们对无数色调的视觉感知和准确表达与命名它们的能力。这项研究的主要目标是创造一个多功能工具,用于对以前未命名的颜色进行分类和命名,或者识别逃避传统颜色术语的中间色调。通过严谨的实验和分析,这项研究揭示出自然语言处理在各个行业中应用的潜力。通过促进对广阔颜色谱的探索,自然语言处理的潜在应用超越了传统边界。
Nov, 2023
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
研究了色盲患者对红绿色观念知觉的影响,发现他们的语言产出中红色和绿色词汇使用的可预测性较低且不常出现在心理图像引发的语言环境中,揭示了感官经验对于语言系统的影响。
Oct, 2022
本研究使用中文颜色参考游戏数据,证实了中英语境下同样表现出对语境难度的敏感性;并展示了采用多任务学习方法训练的神经说话人模型,相比其单语中文模型更贴近人类对语境的依赖,并且不会以达到语言特定的语义理解为代价。
Mar, 2018
认知科学的一个关键挑战是解释如何从有限经验中获得抽象概念,本文讨论了一种最近出现的观点,该观点提出了一个称为关系瓶颈的归纳偏置,通过利用这种方法在数据高效的方式下诱导抽象,强调其作为人类思维和大脑中抽象概念获取的候选模型的潜力。
Sep, 2023
使用递归神经网络和傅里叶变换的颜色表示方法,成功应用于生成颜色描述模型,在自然颜色描述的大型语料库上进行条件语言模型任务,不仅可以准确地生成基本颜色术语,还可以生成训练过程中未见过的具有非凸含义的描述词,裸修饰语以及组合短语。
Jun, 2016