Personalized Language Models for One-to-Many Private Communications
The University of Queensland(昆士兰大学)
该研究针对一对多私密通信的特定关系持续回复预测问题,提出TRACE模型,在Enron数据集上较基线模型提升了生成指标,同时揭示了将关系表达估计转化为生成指导的挑战。
2026-11-17 cs.CL
Exchange-of-Thought: Enhancing Large Language Model Capabilities through Cross-Model Communication
Fudan University(复旦大学);National University of Singapore(新加坡国立大学);Shanghai AI Laboratory(上海人工智能实验室)
本文提出思想交换(EoT)框架,通过记忆、报告、中继和辩论四种跨模型通信范式并引入置信度评估机制,以低成本显著提升大语言模型在复杂推理任务上的表现。
2023-12-04 cs.CL
Learning to Interrupt in Language-based Multi-agent Communication
CMU(卡内基梅隆大学);Meta FAIR
本文提出一种可中断的通信框架,通过学习预测合适的中断点,减少通信成本,提升多智能体任务性能。
2026-08-17 cs.CL
Formal models of Structure Building in Music, Language and Animal Songs
ILLC, University of Amsterdam(阿姆斯特丹大学语言、逻辑与计算研究所(ILLC));Animal Behaviour, Freie Universität Berlin(柏林自由大学动物行为学);Institut für Kunst- und Musikwissenschaft, Technische Universität Dresden(德累斯顿工业大学艺术与音乐研究所)
人类的语言、音乐和各种动物的发声构成了声音交流的方式,这些方式表现出显着的结构复杂性。虽然语言的复杂性和动物交流中可能存在的相似之处已经得到了深入的讨论,但对音乐和动物歌曲的复杂性及其比较的思考却很少。在某些方面,音乐和动物的歌声比语言更具有可比性,因为命题语义不能被用作交际成功或形式良好的指标,语法性的概念不太容易定义。本文综述了语言、音乐和动物歌唱中结构构建的原理,并将它们与形式语言理论中的相应模型联系起来,特别关注使用乔姆斯基层次结构(CH)的好处。我们进一步讨论了常见的误解和缺点,CH,以及它的扩展或增强,解决其中的一些问题,并建议如何超越。
2019-01-16 cs.CL
PACE: A Pragmatic Agent for Enhancing Communication Efficiency Using Large Language Models
the School of Artificial Intelligence, Xidian University(西安电子科技大学人工智能学院);Pazhou Lab (Huangpu)(琶洲实验室(黄埔));Peng Cheng Laboratory(鹏城实验室)
本文提出基于大型语言模型的务实智能体PACE,通过语义感知、意图解析和意图导向编码提升图像通信的传输效率,并构建数据集验证其优于传统方法。
2024-01-30 cs.AI cs.CL
CoMet: Metaphor-Driven Covert Communication for Multi-Agent Language Games
School of Artificial Intelligence, Beijing Normal University(北京师范大学人工智能学院);Engineering Research Center of Intelligent Technology and Educational Application, Ministry of Education(教育部智能技术与教育应用工程研究中心)
CoMet框架通过结合隐喻推理与生成,增强LLM智能体在多智能体语言游戏中的隐蔽通信和语义规避能力,实验验证其显著提升战略性通信效果。
2025-05-23 cs.AI cs.CL
Seq2Seq-SC: End-to-End Semantic Communication Systems with Pre-trained Language Model
University of Southern California(南加州大学)
本文提出兼容5G NR的seq2seq-SC语义通信系统,利用预训练语言模型处理通用文本,通过BLEU和SBERT评估语义相似度,在提取语义信息上优于以往模型,为6G网络整合奠定基础。
2023-10-18 cs.CL eess.SP
Adapting Large Language Models for Character-based Augmentative and Alternative Communication
Dylan Gaines Department of Computer Science, Michigan Technological University, Houghton, MI, USA(达西·甘斯 计算机科学系,密歇根技术大学,霍顿,MI,美国);Keith Vertanen(凯斯·维塔内)
本研究针对前沿子词大语言模型难以直接用于字符级增强与替代沟通的问题,提出从子词LLM生成字符预测的算法,还构建AAC相关句子数据集开展域适配,有效提升了字符预测准确率与会话语料性能。
2025-10-02 cs.CL cs.HC
Beyond Natural Language: LLMs Leveraging Alternative Formats for Enhanced Reasoning and Communication
Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);Tencent(腾讯)
该研究挑战大语言模型默认使用自然语言的模式,提出让模型自主选择推理与通信格式,可显著提升推理效率、降低多智能体通信token消耗,且设计的格式具备跨模型迁移性。
2024-06-19 cs.AI cs.CL
Think Before You Speak: Enabling Training-Free Latent Communication Between Language Models
Georgia Institute of Technology(佐治亚理工学院)
针对语言智能体文本通信的瓶颈与延迟问题,提出无需训练的CacheFuse方法,通过线性插值融合模型KV缓存,在四个基准上实现了准确率与推理速度的显著提升。
2026-10-14 cs.CL cs.LG
EcoLANG: Efficient and Effective Agent Communication Language Induction for Social Simulation
Fudan University(复旦大学);Shanghai Jiao Tong University(上海交通大学);King’s College London(伦敦大学国王学院);Shanghai Innovation Institute(上海创新研究院)
针对大规模 LLM 社会模拟成本高的问题,提出两阶段 EcoLANG,通过自然选择演化精简通信语言并供智能体使用,实现 token 消耗降低超 20% 且不损失准确性。
2025-05-11 cs.CL cs.CY
Predictive Simultaneous Interpretation: Harnessing Large Language Models for Democratizing Real-Time Multilingual Communication
ErudAite Inc.(ErudAite公司)
本文提出一种利用大型语言模型预测说话人话语并以树状结构扩展可能性的同声传译新算法,旨在实现低延迟、自然流畅的实时翻译,推动多语言通信的民主化。
2024-07-02 cs.AI cs.CL
Detecting Effects of AI-Mediated Communication on Language Complexity and Sentiment
School of Journalism and Mass Communication(新闻与大众传播学院);Texas State University(德克萨斯州立大学)
本研究通过比较2020年与2024年提及唐纳德·特朗普的推文数据集,结合可读性与极性得分分析,发现AI介导的交流显著增加了社交媒体文本的情感极性,并使其从中性转向更积极的表达。
2025-04-28 cs.CL cs.HC
Language-Oriented Communication with Semantic Coding and Knowledge Distillation for Text-to-Image Generation
Yonsei University(延世大学);Deakin University(迪肯大学);University of Oulu(奥卢大学)
本文提出语言导向语义通信(LSC)框架,通过语义信源编码、语义信道编码和语义知识蒸馏三种算法,在文本到图像生成任务中以更少传输次数实现更高感知相似度和更强噪声鲁棒性。
2023-09-20 cs.AI cs.CL eess.SP
Think Before You Speak: Cultivating Communication Skills of Large Language Models via Inner Monologue
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对LLMs缺乏沟通技巧的问题,受认知科学启发,通过内心独白策略(CSIM)赋予其先思后说的能力,并构建Cskills基准进行评估,实验证明该方法优于基线。
2024-03-15 cs.AI cs.CL
When Large Language Models are Reliable for Judging Empathic Communication
Kellogg School of Management(凯洛格管理学院);Northwestern University(西北大学);Northwestern Institute for Complex Systems(西北复杂系统研究所);Stanford University(斯坦福大学);Pennsylvania State University(宾夕法尼亚州立大学)
该研究通过对比专家、众包工作者与LLM在四种评估框架下对200段真实共情对话的标注信度,发现LLM共情判断可靠性接近专家水平且优于众包,验证了其在情感敏感场景的应用潜力。
2025-10-03 cs.CL cs.HC
Reducing Conversational Escalation in Large Language Model Dialogue with Nonviolent Communication Constraints
Beijing University of Posts and Telecommunications(北京邮电大学);City University of Hong Kong(香港城市大学)
本研究通过非暴力沟通原则的轻量级提示约束,引导大语言模型在冲突对话中减少升级行为,实验表明该方法能稳定与高度抵抗用户的交互。
2026-06-26 cs.AI cs.CL
Towards Predictive Communication with Brain-Computer Interfaces integrating Large Language Models
本文概述语言模型与BCI集成的现状与未来,指出LLM(如GPT-2)与BCI结合可改善人机交互,虽面临挑战,但有望推动神经技术进步。
2025-04-15 cs.CL cs.HC
An Underexplored Frontier: Large Language Models for Rare Disease Patient Education and Communication -- A scoping review
Division of Computational Health Sciences, Department of Surgery, University of Minnesota(计算健康科学系,外科部,明尼苏达大学);Department of Electrical and Computer Engineering, University of Minnesota(电气与计算机工程系,明尼苏达大学);Clinical Bioinformatics Lab, Université Paris Cité, Institut Imagine, INSERM UMR 1163(临床生物信息学实验室,巴黎城市大学,Imagine机构,INSERM UMR 1163);Medical Informatics Department, Hôpital Necker-Enfants Malades, AP-HP(医学信息学部,Necker-Enfants Malades医院,AP-HP)
本文通过范围综述探讨大型语言模型在罕见病患者教育与沟通中的应用,发现现有研究多集中于通用模型,缺乏真实场景和患者中心设计。
2026-03-30 cs.AI cs.CL
Integrating Pre-Trained Language Model with Physical Layer Communications
University of Southern California(南加州大学);Information Science Institute(信息科学研究所)
本文提出一种融合物理层通信功能的设备端AI通信框架,通过端到端噪声训练、VQ-VAE和预训练Transformer,在3GPP信道模型下实现传输大小减半并具备较强泛化与抗噪能力。
2024-06-28 cs.CL cs.IT cs.LG
Transforming Tuberculosis Care: Optimizing Large Language Models For Enhanced Clinician-Patient Communication
School of Engineering and Technology, University of Washington Tacoma(华盛顿大学塔科马分校工程与技术学院);Institute for Clinical Effectiveness and Health Policy(临床效果与健康政策研究所);Centre for Research on Epidemiology and Public Health (CIESP), CONICET(CONICET流行病学与公共卫生研究中心);School of Nursing, University of Washington Seattle(华盛顿大学西雅图分校护理学院);School of Nursing and Healthcare Leadership, University of Washington Tacoma(华盛顿大学塔科马分校护理与医疗保健领导学院)
针对结核病高负担地区医患沟通不足的问题,本文提出将专门的大型语言模型集成到数字依从性技术中,在人在回路框架下增强互动沟通,以提高患者参与度并改善治疗结果。
2025-02-28 cs.AI cs.CL cs.HC
Generics in science communication: Misaligned interpretations across laypeople, scientists, and large language models
Utrecht University(乌得勒支大学);University of North Carolina at Greensboro(北卡罗来纳大学格林斯伯勒分校);Western University(韦仕敦大学)
研究揭示了科学传播中泛化陈述在不同受众间的解释差异,指出非专业人士和LLM对泛化陈述的高可推广性评分可能带来风险,强调需重视语言选择以提升科学传播效果。
2026-02-05 cs.AI cs.CL cs.HC
AI-AI Bias: large language models favor communications generated by large language models
Forschungszentrum Informatik(信息技术研究中心);Arb Research(Arb 研究院);Charles University(查理大学)
本研究通过二元选择实验发现,GPT-3.5、GPT-4等大型语言模型一致偏好LLM生成的选项,揭示了未来AI系统可能隐式歧视人类的风险。
2025-08-11 cs.AI cs.CL cs.CY
Communication Bias in Large Language Models: A Regulatory Perspective
University of Hong Kong(香港大学);TU Berlin(柏林工业大学);Weizenbaum Institute(魏森鲍姆研究所)
本文从监管视角审视大型语言模型中的沟通偏差,强调在欧盟AI法案等框架外,需加强竞争与设计治理以保障公平可信的AI。
2025-09-25 cs.AI cs.CL cs.CY
Declarative Integration and Management of Large Language Models through Finite Automata: Application to Automation, Communication, and Ethics
EMOTIA(EMOTIA公司);Worcester Polytechnic Institute(伍斯特理工学院)
本文提出一种基于有限自动机和事件管理系统的声明式架构,用于将大型语言模型与共享历史结合并触发任务匹配,以最少编程实现高效集成,并在自动化、通信和伦理领域验证了其灵活性。
2024-09-02 cs.AI cs.CL cs.ET
Towards More Human-like AI Communication: A Review of Emergent Communication Research
Dept. of Computer, Control and Management Engineering(计算机、控制与管理工程系);Sapienza University of Rome(罗马第一大学)
本文综述了涌现通信研究,指出训练大型语言模型存在学习错位问题,提出通过开发能超越简单任务并有效交流的人工智能体来实现更类人的AI通信,并归纳文献特性、子类别及开放挑战。
2023-08-01 cs.AI cs.CL cs.HC
LangCoop: Collaborative Driving with Language
Texas A&M University(德克萨斯大学);KAIST(韩国科学技术院);University of Utah(犹他大学)
LangCoop提出用自然语言作为智能体间通信媒介,通过M$^3$CoT和LangPack实现协同驾驶,在CARLA仿真中带宽减少96%且性能保持。
2025-04-21 cs.AI cs.CL cs.CV
Inductive Bias and Language Expressivity in Emergent Communication
University of Edinburgh(爱丁堡大学);University of British Columbia(不列颠哥伦比亚大学);University of Cambridge(剑桥大学);DeepMind(深度思维)
指称游戏和重构游戏是研究突现语言最常见的游戏类型。我们研究了语言游戏的类型如何影响涌现语言:i)语言组合性和ii)将涌现语言转移到与其起源不同的任务,我们称之为语言表达性。通过手工制作的符号数据集上的实证实验,我们表明,从不同的游戏中出现的语言具有不同的组合性和进一步不同的表现力。
2020-12-04 cs.CL
Human Languages with Greater Information Density Increase Communication Speed, but Decrease Conversation Breadth
Johns Hopkins University(约翰斯·霍普金斯大学);University of Chicago(芝加哥大学);Santa Fe Institute(圣塔菲研究所)
研究分析了约1,000种语言,发现语言信息密度越高,交流速度越快,但对话广度越窄且话题探讨更深,揭示了语言结构对社会互动的深远影响。
2023-09-29 cs.CL
A Review of the Applications of Deep Learning-Based Emergent Communication
Carnegie Mellon University(卡内基梅隆大学)
本文系统综述了基于深度学习的涌现通信在机器学习、自然语言处理、语言学和认知科学中的应用,阐明其独特作用并给出近期研究方向建议。
2024-07-03 cs.CL
Prevalence of code mixing in semi-formal patient communication in low resource languages of South Africa
在本文中,我们解决的问题,代码混合在资源贫乏的语言环境。我们研究了由MomConnect帮助台用户生成的182 k个独特问题组成的数据,MomConnect帮助台是南非国家级公共卫生平台的一部分。我们在这个数据集中显示了大约10%的代码转换的证据-这一水平可能会对未来的服务构成挑战。我们使用一个自然语言处理库(Polyglot),支持196种语言的检测,并试图评估其性能在识别英语,isiZulu和代码混合的问题。
2019-12-10 cs.CL
Communication-based Evaluation for Natural Language Generation
Stanford University(斯坦福大学)
自然语言生成(NLG)系统通常使用n-gram重叠度量(例如BLEU、ROUGE)来评估。这些措施并不直接捕捉语义或说话者的意图,因此它们往往与我们对NLG的真正目标不一致。在这项工作中,我们认为,而不是基于通信的评估:假设一个NLG系统的目的是传达信息给读者/听众,我们可以直接评估其有效性在这项任务中使用的理性言语行为模型的语用语言使用。我们用包含预定义质量类别描述的颜色参考数据集进行说明,表明我们的方法比任何突出的n-gram重叠方法更好地与这些质量类别对齐。
2019-10-11 cs.CL
Systematicity between Forms and Meanings across Languages Supports Efficient Communication
Saarland University(萨尔兰大学);Department of Computer Science, Cognitive Science Program(计算机科学系、认知科学项目);University of Toronto(多伦多大学)
本研究通过分析多语言中动词和代词的语法意义表达,提出基于可学习性的新复杂性度量,揭示了形式与意义之间的系统性关系,为高效沟通理论提供了新连接。
2026-01-23 cs.CL
NeLLCom-X: A Comprehensive Neural-Agent Framework to Simulate Language Learning and Group Communication
Faculty of Electronic and Information Engineering, Xi’an Jiaotong University(西安交通大学电子与信息工程学院);Leiden Institute of Advanced Computer Science, Leiden University(莱顿大学高级计算机科学研究所);Center for Language and Cognition, University of Groningen(格罗宁根大学语言与认知中心)
本文提出 NeLLCom-X 框架,通过引入角色交替智能体和群体交流扩展了 NeLLCom,以研究语言可学性、交流压力与群体规模效应的相互作用,并验证了交互对语言趋同及词序/格标记权衡涌现的影响。
2024-10-11 cs.CL
Emergence of Numeric Concepts in Multi-Agent Autonomous Communication
University of Edinburgh(爱丁堡大学);School of Informatics(信息学院)
随着深度学习的快速发展,当前自然语言处理的最新技术大多基于使用argescaled静态文本语料库训练的深度学习模型。然而,我们人类以不同的方式学习和理解。因此,扎根语言学习认为,模型需要通过与环境交互获得的经验和感知来学习和理解语言,就像人类一样。在深度强化学习技术的帮助下,已经有大量的工作集中在促进计算代理群体中具有自然语言等组合性的通信协议的出现。与这些工作不同的是,我们,另一方面,关注的是数字概念,对应于抽象的认知和功能词在自然语言。基于一个专门设计的语言游戏,我们验证了计算代理能够在自主通信过程中传输数字概念,以及涌现的通信协议可以反映意义空间的底层结构。虽然从人类的角度来看,它们的编码方法不像自然语言那样是组合的,但涌现语言可以推广到看不见的输入,更重要的是,模型更容易学习。此外,在拓扑相似性度量下,迭代学习有助于进一步提高涌现语言的组合性。此外,我们还尝试了另一种表示方法,即直接将数字编码成one-hot向量的连接,并发现涌现语言将变得像人类自然语言一样组合。因此,我们认为,有两个重要因素的合成语言的出现。
2019-11-04 cs.CL
Broader terms curriculum mapping: Using natural language processing and visual-supported communication to create representative program planning experiences
Escola Superior de Tecnologia de Setúbal(塞图巴尔高等技术学院);Instituto Politécnico de Setúbal(塞图巴尔理工学院);Escola Superior de Ciências Empresariais(高等企业科学学院);Universidade Aberta(阿贝塔大学)
认证机构要求课程开发过程向所有利益相关者开放,反映学生,行业,大学教师和社会的观点。然而,教师和非教师群体之间的沟通困难留下未开发的巨大合作潜力。使用学习目标分类、自然语言处理和数据可视化,本文提出了一种方法来提供通用的、自解释的和授权的程序计划表示。一个简单的例子表明,该方法有助于代表性的程序规划的经验和案例研究,以确认该方法的准确性和实用性。
2022-06-16 cs.CL
Discovering Properties of Inflectional Morphology in Neural Emergent Communication
University of Michigan(密歇根大学)
该研究在神经涌现通信中引入小词汇量约束构建类自然屈折形态学场景,开发新指标探索连接性与融合性变体,发现音系约束促进连接式形态,涌现语言复现自然语言融合语法属性的趋势。
2025-10-20 cs.CL
Is Structure Dependence Shaped for Efficient Communication?: A Case Study on Coordination
The University of Tokyo(东京大学);NINJAL(日本国立国语研究所)
本文以并列结构为例,通过设计三种人工语言并量化其通信效率,发现具有结构依赖缩减操作的语言通信效率显著优于反事实语言,证明结构依赖性可由高效通信压力解释。
2024-10-14 cs.CL
Issues in Communication Game
作为自主智能体之间的交互,通信可以用博弈论的术语来分析。意义游戏是一种形式化的意向性交流的核心,在这种交流中,发送者发送一条信息,接收者试图推断发送者意图表达的信息的意义。本文讨论了自然语言交际游戏中涉及的基本问题,如突显性、语法性、常识和共同信念,并论证了游戏论语言解释的可行性。
2003-07-11 cs.CL
Scheduled Policy Optimization for Natural Language Communication with Intelligent Agents
University of California, Santa Barbara(加州大学圣巴巴拉分校);IBM Research(IBM研究院);JD AI Research(京东AI研究院)
我们调查的任务,学习遵循自然语言的指示,通过联合推理与视觉观察和语言输入。与现有的从演示示教学习(LfD)开始然后使用强化学习(RL)来微调模型参数的方法相比,我们提出了一种新的策略优化算法,该算法动态地调度演示学习和RL。所提出的训练范例提供了比现有方法更有效的探索和更好的泛化。与现有的集成模型相比,基于我们提出的方法的最佳单个模型在块世界环境中大大降低了50%以上的执行错误。为了进一步说明我们的RL算法的探索策略,我们还包括在训练过程中的政策熵的演变系统的研究。
2018-07-07 cs.CL
Why is language well-designed for communication? (Commentary on Christiansen and Chater: 'Language as shaped by the brain')
Telecom ParisTech(巴黎高等电信学院)
通过迭代学习的选择解释了其他非功能性的解释,如普遍语法,为什么语言是为了交际效率而设计的。它并没有预测语言的几个显著特征,如中央嵌入,大型词汇或缺乏象似性,这些特征似乎以牺牲可学习性为代价来服务于交际目的。
2011-08-22 cs.CL q-bio.NC
Automatic speech recognition for launch control center communication using recurrent neural networks with data augmentation and custom language model
Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
在美国宇航局的发射控制中心转录语音通信对信息利用很重要。然而,由于缺乏训练数据、首字母缩略词中的陌生单词、多个不同的说话者和口音以及说话的会话特征,在这种环境中的自动语音识别特别具有挑战性。我们使用双向深度循环神经网络来训练和测试语音识别性能。我们表明,数据增强和自定义语言模型可以提高语音识别的准确性。转录来自发射控制中心的通信将有助于机器分析信息并加速知识生成。
2018-04-24 cs.CL cs.HC
Multi-agent Communication meets Natural Language: Synergies between Functional and Structural Language Learning
DeepMind
我们提出了一种方法相结合的多智能体通信和传统的数据驱动的方法来自然语言学习,最终目标是教学代理人与人类在自然语言。我们的出发点是一个语言模型,它是在通用的而不是特定于任务的语言数据上训练的。然后,我们把这个模型在一个多智能体的自我发挥的环境中,产生特定于任务的奖励,用于适应或调节模型,把它变成一个任务条件语言模型。我们介绍了一种新的方法,结合这两种类型的学习的思想的基础上重新排序的语言模型样本,并表明,这种方法优于其他人在与人类沟通的视觉参考通信任务。最后,我们提出了一个分类的不同类型的语言漂移,可以发生在旁边的一组措施来检测它们。
2020-05-14 cs.AI cs.CL cs.LG
Toward Neuroadaptive Communication Interfaces: A Framework for Personalized Speech and Language Support
University of Coimbra(科英布拉大学)
该研究提出了一种个性化语音与语言支持的神经自适应通信接口框架,通过分阶段评估验证神经信息能否在行为基线之上提升用户的理解与通信效率。
2026-10-27 cs.CL cs.HC
Countering Language Drift via Visual Grounding
New York University(纽约大学);Facebook AI Research(Facebook人工智能研究院)
紧急多智能体通信协议与自然语言有很大的不同,不容易被人类解释。我们发现,最初预先训练产生自然语言的代理也可能会经历有害的语言漂移:当在基于目标的任务中使用非语言奖励时,例如一些标量成功度量,通信协议可能很容易从根本上偏离自然语言。我们将翻译转换为多智能体通信游戏,并检查辅助训练约束在减轻语言漂移方面的有效性。我们表明,句法(语言模型可能性)和语义(视觉接地)的约束相结合,给出了最佳的通信性能,允许预先训练的代理保留英语语法,同时学习准确地传达预期的含义。
2019-09-10 cs.CL cs.LG
Communication Drives the Emergence of Language Universals in Neural Agents: Evidence from the Word-order/Case-marking Trade-off
Xi’an Jiaotong University(西安交通大学);Leiden University(莱顿大学);University of Groningen(格罗宁根大学)
本文提出NeLLCom框架,让神经智能体先监督学习微型语言再通过强化学习优化交流,并在无硬编码认知偏差的情况下复现语序/格标记权衡。
2023-06-01 cs.AI cs.CL
CrossTalk: Intelligent Substrates for Language-Oriented Interaction in Video-Based Communication and Collaboration
University of California San Diego(加州大学圣地亚哥分校)
本文提出CrossTalk视频会议系统,通过面板基底、语言意图识别和轻量级交互技术,将智能主动融入通信协作,实现更流畅灵活的交互体验。
2023-08-07 cs.AI cs.CL cs.HC
PicTalky: Augmentative and Alternative Communication Software for Language Developmental Disabilities
Korea University(高丽大学);Upstage;VAIV corp(VAIV公司);University of Copenhagen(哥本哈根大学)
辅助和替代沟通(AAC)是语言障碍者的一种实用沟通方式。在这项研究中,我们提出了PicTalky,这是一个基于AI的AAC系统,可以帮助语言发育障碍儿童提高他们的沟通技能和语言理解能力。PicTalky可以通过连接一系列基于神经的NLP模块来更准确地处理文本和象形图。此外,我们对PicTalky的基本特征进行了定量和定性分析。希望有语言障碍的人能够更容易地表达自己的意图或愿望,并通过使用这项服务提高生活质量。我们提供了免费的模型以及Web界面的演示。此外,我们首次通过将PicTalky应用于NAO机器人来实现机器人AAC。
2022-10-23 cs.CL cs.CY cs.HC
Towards Multi-Agent Communication-Based Language Learning
University of Trento(特伦托大学)
我们提出了一个交互式多模态语言学习框架。我们的学习者(实现为前馈神经网络)不是被动地接触大量的自然文本,而是从白板设置开始参与合作参考游戏,从而从交流的需要中发展自己的语言,以便在游戏中取得成功。初步实验提供了有希望的结果,但也表明,重要的是要确保以这种方式训练的代理不会开发出仅对他们正在玩的游戏有效的adhoc通信代码
2016-05-23 cs.CL cs.CV cs.LG
On the Correspondence between Compositionality and Imitation in Emergent Neural Communication
UPF(庞培法布拉大学);INRIA(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);ENS-PSL(巴黎高等师范学院-巴黎文理研究大学)
在深度神经智能体参与的Lewis博弈中,研究了组合性与模仿学习的联系,发现强化学习比监督学习更能促使语言具组合性,且组合性语言更易被模仿。
2023-05-22 cs.CL cs.NE
Ease-of-Teaching and Language Structure from Emergent Communication
University of Alberta(阿尔伯塔大学)
人工智能体已经被证明可以在需要完成合作任务时学习沟通。某种程度的语言结构(例如,组合性)已经在所学习的通信协议中被发现。这种观察到的结构通常是训练期间特定环境压力的结果。通过定期引入新的代理人,以取代旧的,顺序和人口,我们探索这样一个新的压力-教学的便利性-并显示其对所产生的语言结构的影响。
2019-10-28 cs.AI cs.CL cs.LG
Source codes in human communication
University of Tübingen(图宾根大学)
虽然人类交流的信息论特征在语言学中越来越流行,但迄今为止,它们主要涉及将概率结构嫁接到有关语法的旧思想上。人类和数字通信之间的相似之处一直被强烈强调,差异在很大程度上被忽视。然而,其中一些差异很重要:通信系统是基于每个发送者和接收者共享的预定义代码,而自然语言中单词的分布保证了说话者和听话者都无法访问整个语言代码,这似乎破坏了自然语言在任何有意义的意义上都是概率系统的想法。本文描述了语言的分布特性如何满足信息系统和自然语言之间的差异所带来的各种挑战,以及这些特性所暗示的人类交流的非常不同的观点。
2019-03-08 cs.CL cs.IT math.IT
A Semantics-based Communication System for Dysphasic Subjects
言语障碍的受试者不具备完整的语言能力,只能产生一种弱结构的、主题化的语言。他们被提供人工符号语言,以帮助他们以更适合他们语言能力的方式进行交流。在对一个脑性瘫痪儿童的话语语料库进行结构分析后,我们为这样一种符号语言定义了一个语义词典。我们使用它作为语义分析过程的基础,能够检索的话语的解释。这个语义分析器目前用于一个旨在将图标语言转换为自然语言的应用程序中;它可能会在语言康复领域找到其他用途。
1997-03-12 cmp-lg cs.CL
LINC: Supporting Language Independent Communication and Comprehension to Enhance Contribution in Multilingual Collaborative Meetings
本文针对ESL研究者在多语言会议中沟通和理解困难的问题,基于64人调查提出设计目标,构建含实时沟通与会后分析的LINC系统,并通过6个三人团队验证其提升参与和贡献的效果。
2025-05-10 cs.CL cs.HC