标签
Steinert-Threlkeld 和 Szymanik 认为，机器学习模型可以作为衡量语义复杂性的"认知温度计"，研究表明基于学习的度量方法与传统的逻辑复杂性方法趋于一致，且在某些情况下能更好地解释语义共性。
本文提出SAMA-ASR——一种多模态适配器，通过利用翻译提供的语义锚点和语音的声学锚点，改进低资源语言的自动语音识别。在台湾闽南语和客家话上的实验证明其性能优于基线方法。
本文形式化了AI评估制品的主张重放层，并对评估单元进行普查，发现大多数单元在确定性推断前停止，原因在于缺失历史证据或语义基础。
本文提出语言解释中的第二个参数——相位，认为当前Transformer模型缺乏对相位的显式表示，这对影射和反讽等现象至关重要，并建议采用具有代理索引语义状态的新架构。
本文研究内涵照应，认为基于描述的前提比现有的基于价值的解释更能说明代词的许可条件，并在一种名为 Plural Intensional Presuppositional predicate calculus (PIP) 的新逻辑中形式化了这一提议。
本文比较了人类和LLM在不同响应量表配置下对含有焦点粒子“even”和“only”的句子的标量判断，发现了稳定的语义驱动差异，但注意到模型缺乏响应变异性。
一篇解释网页设计中按钮与链接根本区别的文章，重点在于它们的语义：链接代表带有重新上下文化选项的目的地，而按钮则表示绑定到特定上下文的操作。文章还介绍了HTML的按钮操作提案。
本文利用ChaosNLI数据，衡量形式语义结构在多大程度上解释了自然语言推理（NLI）中的人类标注变异，发现了对熵的群体级效应，但存在项目级上限和空组合效应。
提出SERAF，一种用于时间序列预测的多模态检索增强框架，该框架同时利用数值相似性和自生成的文本描述来检索历史模式，从而改善非平稳条件下的预测。在七个真实世界数据集上的实验表明，其效果优于最先进的基线模型。
本文引入了一种语义-时间尺度分析流程，研究人类和AI生成语音中通用与特定内容随时间分布的方式，揭示自相关窗口度量能够捕捉超越静态词汇分布的语义时间组织。
本文解释了C数组类型的令人困惑的行为，包括它们退化为指针、sizeof和函数参数等例外情况，并将其与函数类型进行比较，提出了一种数组和指针严格分离的心理模型。
Ben Meyer 的一篇博客文章分享了一些关于 HTML <dl> 元素的新鲜知识，包括多个 <dd> 可以跟在同一个 <dt> 后面、可以在 <div> 内分组、ARIA 标注，以及自 2008 年起它们就被称为“描述列表”。
本文研究了LLMs在受控资源分配任务中如何解释英语程度修饰词（如'slightly'、'drastically'）。研究发现，模型将10个强度词压缩为5个不同的数值输出，且解释高度依赖于状态，当系统接近容量时词汇区分度消失。