Компьютерная наука > Расчет и язык [представлен 7 октября 2026 года] Название: Когнитивные термометры: Машинное обучение и Логически сложный вид PDF HTML (экспериментальный) Резюме: Как человеческий разум представляет семантические категории? Почему природные языки отдают предпочтение некоторым значениям, а не другим? Предварительные объяснения основывались на логической определённости и сложности, но они очень чувствительны к выбору логических формулировок, делая некоторые варианты дизайна не мотивированными. В этой статье мы предлагаем, чтобы машинное обучение обеспечивало более агностический подход к измерению семантической сложности. Мы анализируем новые свидетельства того, что логика и машинное обучение зачастую дают совпадающие результаты относительной сложности и ее последствий для семантической типологии. Там, где они расходятся, обучение кажется лучшим объяснением, чем логическая сложность. Мы утверждаем, что рассмотрение моделей машинного обучения как "когнитивных термометров" позволяет выработать единый подход к сложности, который сочетает символическую логику и связь с ИИ. Дополнительные ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства массовой информации, связанные с этой статьей альфаXiv (какая буквенная клавиатура?) Катализированный код для документов (что…
Когнитивные термометры: машинное обучение и логичная сложность
arXiv: 2610.1010724v1 Анонимный тип: новое резюме: Как человеческий разум представляет семантические категории? Почему природные языки отдают предпочтение некоторым значениям, а не другим? Предварительные объяснения основывались на логической определённости и сложности, но они очень чувствительны к выбору логических формулировок, делая некоторые варианты дизайна не мотивированными. В этой статье мы предлагаем, чтобы машинное обучение обеспечивало более агностический подход к измерению семантической сложности. Мы анализируем новые свидетельства того, что логика и машинное обучение зачастую дают совпадающие результаты относительной сложности и ее последствий для семантической типологии. Там, где они расходятся, обучение кажется лучшим объяснением, чем логическая сложность. Мы утверждаем, что рассмотрение моделей машинного обучения как "когнитивных термометров" позволяет выработать единый подход к сложности, который сочетает символическую логику и связь с ИИ.
