English(EN) Where's the Indirect Evidence? Investigating Grammatical Generalization with Influence Functions

新方法识别对语言模型泛化至关重要的间接证据

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员开发了一种使用影响函数识别有助于语言模型语法泛化的间接证据的新颖方法。通过分析 15 种 BLiMP 语法现象的训练句子对模型预测的影响，他们分离出了并非直接证据的影响性句子。移除这些间接证据会显著降低模型在未见数据上的准确性，证明了其在学习中的关键作用。研究还发现，与随机句子相比，这种间接证据更频繁地部分满足直接证据过滤器的结构条件，并且通过间接证据重叠对现象进行聚类成功地将相关的语言类别分组。 AI

影响这项研究提供了一种理解语言模型学习方式的新技术，有望带来更强大、更具可解释性的模型。

排序理由该条目是一篇学术论文，详细介绍了一种研究语言模型泛化能力的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了一种研究语言模型泛化能力的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · William Dai, Zhenghao Herbert Zhou, Maya Viswanathan, Robert Frank · 2026-10-19 04:00

间接证据何在？利用影响函数探究语法泛化

arXiv:2610.22919v1 Announce Type: new Abstract: Language models generalize beyond their training corpus to learn linguistic phenomena (Patil et al., 2024; Misra and Mahowald, 2024), showing that there exists indirect evidence driving learning. Prior work has inferred that indirec…

本文如何被排名

报道来源 [1]

间接证据何在？利用影响函数探究语法泛化

相关实体

相关话题