arXiv cs.CL· Shane Steinert-Threlkeld, Jakub Szymanik·· 9 天前AI 评分22
认知温度计：机器学习与逻辑复杂度
Cognitive Thermometers: Machine Learning and Logical Complexity
AI 导读
研究提出用机器学习模型作为"认知温度计"来度量语义复杂度，认为这一方法比逻辑可定义性更少依赖逻辑语言的选择。已有证据显示，逻辑与机器学习在相对复杂度及其对语义类型学的影响上常得出趋同结果；两者分歧时，学习比逻辑复杂度更具解释力。该框架试图统一符号逻辑与连接主义 AI 的复杂度研究路径。
正文 · AI 翻译
摘要：人类心智如何表征语义类别？为什么自然语言偏爱某些意义而非其他？此前的解释依赖于逻辑可定义性和复杂性，但这些对逻辑语言的选择高度敏感，使得某些设计选择缺乏动机。在本文中，我们提出机器学习为衡量语义复杂性提供了一种更为不可知的方法。我们回顾了新出现的证据，表明逻辑和机器学习在相对复杂性及其在语义类型学中产生的影响上往往得出趋同的结果。在二者出现分歧之处，学习似乎是比逻辑复杂性更好的解释。我们认为，将机器学习模型视为“认知温度计”，能够提供一种统一的方法来理解复杂性，从而弥合符号逻辑与联结主义 AI 之间的鸿沟。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.10724 [cs.CL] |
| （或 arXiv:2610.10724v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.10724 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Jakub Szymanik [查看电子邮件]
[v1]
2026年10月7日星期三 18:04:45 UTC（3,052 KB）
来源：arXiv cs.CL · arxiv.org