Jul, 2023

人类启发的渐进对齐与比较学习 用于基于语境的词汇习得

PDF
TL;DR通过比较学习的计算过程，本研究模拟了人类婴儿习得第一门语言的方式，开发了一种用于词汇习得的计算过程，通过筛选和提取共享语言标签的共同信息，并将词汇的习得过程视为信息过滤和符号映射，以实现有效的持续学习。在对照实验中得到的结果显示了这种方法在词汇习得方面的潜力。
language acquisitionword acquisitioncomparative learninginformation filtrationcontinual learning
发现论文，激发创造
  • 人工神经网络对人类语言习得的启示

    通过使用机器学习及自然语言处理技术，研究语言习得过程，探讨如何让模型学习在有限的语言输入下获取语言知识，以验证关于人类语言学习本质的假说。

    Aug, 2022

  • 学习玩猜猜是谁游戏，并由此发明基于实体的语言

    采用 Deep Recurrent Q-Networks 框架和基于情境互动的交流为主要驱动力，让多个智能体在 Guess Who? 游戏中进行交互式图像搜索，实现了基于物理概念的单词编码，以及多步骤对话能力的学习。

    Nov, 2016

  • 一个（搜索）框内的语言：以真实世界的人机交互为基础的语言学习

    研究通过现实世界数据进行基于场景语言学习，探索在用户与搜索引擎之间自然互动中建模教师 - 学生动态学习的出现、语义的普遍性，学习场景、表示和组合的功能，并表明该方法在组合性和零 - shot 推理任务方面提供了比 SOTA 的非基于场景的模型更好的结果和泛化能力。

    Apr, 2021

  • 无监督词性标注的综述及其对语言习得的启示

    人们如何获取句法类别知识是基础性问题，本研究回顾了各种工程方法，目的在于无需先验句法知识就能正确识别样本文本中的词性，并讨论了模型的评估、约束因素以及上下文对词性的确定等共同主题。这些主题为深入研究认知过程奠定了基础，并提供了当前无监督词性标注模型的有用参考。

    Dec, 2023

  • 多模词汇分类的计算获取模型

    本文提出一种认知启发的、多模态获取模型，通过跨模态自监督在自然数据上从图像 - 标题对进行训练，展示了该模型学习词汇分类和物体识别能力，并展现了类似于发展心理学文献中报告的趋势。我们公开了我们的代码和训练模型，供未来参考和使用。

    May, 2022

  • 在二维环境中的交互式基于语境的语言习得和推理

    基于 2D 迷宫世界，通过虚拟代理学习语言的模型，将语言的生成与理解与其他计算流程分离，从而成功地解决新单词出现的问题。模型可以解释人类可理解的中间输出结果，大幅优于其他五种比较方法。

    Jan, 2018

  • 利用视觉基础的语音建模词汇学习和识别

    该研究使用视觉以及语音的统计依赖关系进行词语识别，并探究其中的单复数形式和词汇竞争效应，同时研究了矢量量化在识别词语方面是否有益。

    Mar, 2022

  • 揭开语言习得的黑盒子

    通过序列记忆和分块构建的最小认知体系架构用于学习语言，替代了使用深度学习的大型语言模型，并且能够从零开始学习人工语言，并提取支持学习的语法信息。研究表明这种简单的架构的强大性，并强调序列记忆作为语言学习过程的关键组成部分的重要性，这可能解释了仅人类发展了复杂语言的原因。

    Feb, 2024

  • 人机交互中自主在线自然语言实体绑定

    本文提出了一种基于交叉情景学习的符号接地框架，用于自然语言沟通机器人与人类交互，并在机器人与人类之间的交互实验中表现优异。

    Jul, 2020

  • 视觉基准帮助在低数据环境中学习词义

    通过对具有意义的监督的视觉数据进行训练，我们发现在具有限定语言数据的情况下，视觉监督可以提高词汇学习的效率，但这种改进是有限的，并且当前的多模态建模方法未能有效利用视觉信息以构建更具人类特征的词汇表示。

    Oct, 2023