FAME: Flexible, Scalable Analogy Mappings Engine

要約

類推は人間の認知の中核をなす能力の一つであり、新しい状況に直面したとき、我々はしばしば他の領域から過去の経験を移入する。計算による類推に関するほとんどの研究は、複雑で手作業による入力に大きく依存している。この研究では、入力要件を緩和し、マッピングされる実体の名前のみを必要とする。我々は自動的に常識的な表現を抽出し、それを用いてエンティティ間の対応を特定する。先行研究とは異なり、我々のフレームワークは部分的な類似を扱い、追加すべき新しい実体を提案することができる。さらに、我々の手法の出力は容易に解釈可能であり、ユーザは特定のマッピングが選択された理由を理解することができる。 実験によれば、我々のモデルは古典的な2×2の類推問題の81.2%を正しくマッピングした（推測レベル=50%）。より大きな問題では、77.8%の精度を達成した（平均推測レベル=13.1%）。別の実験では、我々のアルゴリズムが人間の性能を上回り、新しい実体の自動提案が人間の提案したものと似ていることを示す。我々は、この研究が、より柔軟で現実的な入力要件への道を開き、より広い応用可能性を持つことで、計算アナログを進歩させることを期待している。

要約(オリジナル)

Analogy is one of the core capacities of human cognition; when faced with new situations, we often transfer prior experience from other domains. Most work on computational analogy relies heavily on complex, manually crafted input. In this work, we relax the input requirements, requiring only names of entities to be mapped. We automatically extract commonsense representations and use them to identify a mapping between the entities. Unlike previous works, our framework can handle partial analogies and suggest new entities to be added. Moreover, our method’s output is easily interpretable, allowing for users to understand why a specific mapping was chosen. Experiments show that our model correctly maps 81.2% of classical 2×2 analogy problems (guess level=50%). On larger problems, it achieves 77.8% accuracy (mean guess level=13.1%). In another experiment, we show our algorithm outperforms human performance, and the automatic suggestions of new entities resemble those suggested by humans. We hope this work will advance computational analogy by paving the way to more flexible, realistic input requirements, with broader applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL