Simulating the Emergence of Differential Case Marking with Communicating Neural-Network Agents

要約

微分ケースマーキング（DCM）とは、セマンティック、プラグマティック、またはその他の要因に基づいて、文法のケースマーキングが選択的に適用される現象を指します。
DCMの出現は、人間の参加者との人工言語学習実験で研究されてきました。これは、コミュニケーションの学習の影響を解き放つことを特に目的としていました（Smith＆Culbertson、2020）。
ニューラルネットワークに基づいたマルチエージェント強化学習フレームワークは、人間のような言語現象の出現をシミュレートするために大きな関心を抱いています。
この研究では、コミュニケーションの相互作用に従事する前にエージェントが最初に人工言語を取得し、人間の結果と直接比較できるようなフレームワークを採用しています。
言語やセマンティックの好みの経験がない非常に一般的なコミュニケーション最適化アルゴリズムとニューラルネットワーク学習者を使用して、我々の結果は、学習だけではDCMにつながるわけではないが、エージェントが通信するとマーカーの差別的使用が発生することを示しています。
これは、DCMの形成におけるコミュニケーションの重要な役割を強調するスミスとカルバートソン（2020）の発見をサポートし、言語の進化に関する実験的研究を補完する神経エージェントモデルの可能性を示しています。

要約(オリジナル)

Differential Case Marking (DCM) refers to the phenomenon where grammatical case marking is applied selectively based on semantic, pragmatic, or other factors. The emergence of DCM has been studied in artificial language learning experiments with human participants, which were specifically aimed at disentangling the effects of learning from those of communication (Smith & Culbertson, 2020). Multi-agent reinforcement learning frameworks based on neural networks have gained significant interest to simulate the emergence of human-like linguistic phenomena. In this study, we employ such a framework in which agents first acquire an artificial language before engaging in communicative interactions, enabling direct comparisons to human result. Using a very generic communication optimization algorithm and neural-network learners that have no prior experience with language or semantic preferences, our results demonstrate that learning alone does not lead to DCM, but when agents communicate, differential use of markers arises. This supports Smith and Culbertson (2020)’s findings that highlight the critical role of communication in shaping DCM and showcases the potential of neural-agent models to complement experimental research on language evolution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google