在语境中建模类人颜色命名行为
计算与语言
2026-05-12 v2
摘要
通过使用交互式神经智能体模拟学习与交流压力，计算系统中类人词典的涌现建模已取得进展。NeLLCom-Lex 框架 (Zhang et al., 2025) 允许神经智能体通过来自人类数据的监督学习 (SL) 和指代游戏中的强化学习 (RL)，发展出语用颜色命名行为和类人词典。尽管取得了这些成功，但涌现出的词典与人类颜色类别存在系统性偏离，在颜色空间中产生高度非凸区域，这与人类类别典型的凸性形成对比。为解决此问题，我们引入了两个因素：在 SL 期间对罕见颜色词进行上采样，以及在多听者 RL 交互中采用多听者设置，并采用凸性度量来量化几何一致性。我们发现，上采样提高了颜色词典的词汇多样性和系统级信息量，而多听者设置促进了更具凸性的颜色类别。适度上采样与多听者设置的结合产生了与人类系统最相似的词典。
引用
@article{arxiv.2604.25674,
title = {Modeling Human-Like Color Naming Behavior in Context},
author = {Yuqing Zhang and Ecesu Ürker and Tessa Verhoef and Gemma Boleda and Arianna Bisazza},
journal= {arXiv preprint arXiv:2604.25674},
year = {2026}
}
备注
Cognitive Science Society Annual Conference 2026