Краткое содержание

arXiv:2410.04259v2 Тип объявления: замена Аннотация: В последнее время модели глубокого обучения всё чаще применяются в когнитивном моделировании языка. Настоящее исследование ставит вопрос о том, способно ли глубокое обучение помочь нам лучше понять проблему обучения, стоящую перед говорящими людьми, сверх возможностей линейных методов. Мы используем предложенную Баайеном и коллегами Дискриминантную Лексикон Модель, которая описывает процессы понимания и порождения речи посредством отображений между числовыми векторами формы и смысла. До сих пор эти отображения были линейными (линейное дискриминантное обучение — Linear Discriminative Learning, LDL); в настоящем исследовании мы заменяем их глубокими полносвязанными нейронными сетями (глубокое дискриминантное обучение — Deep Discriminative Learning, DDL). Мы обнаружили, что DDL обеспечивает более точные отображения для больших и разнородных наборов данных на английском и голландском языках, однако это не обязательно справедливо для эстонского и тайваньского мандаринского китайского. DDL превосходит LDL особенно для слов с псевдоморфологической структурой, таких как chol+er. Применяя полученные результаты к средним временам реакции, мы обнаруживаем, что DDL превосходит