文脈における人間らしい色名付け行動のモデリング

概要: 計算システムにおける人間らしい語彙の出現をモデリングする研究は、学習とコミュニケーション上の圧力の両方を模倣する相互作用するニューラルエージェントの利用によって進展してきました。NeLLCom-Lex フレームワーク（Zhang et al., 2025）は、参照ゲームにおける強化学習（RL）と、人間データからの教師あり学習（SL）を通じて、ニューラルエージェントが語用論的な色名付け行動や人間らしい語彙を発達させることを可能にします。これらの成功にもかかわらず、出現する語彙は人間の色カテゴリーから体系的に逸脱し、色空間において非常に非凸な領域を生み出します。これは、人間のカテゴリーに典型的に見られる凸性と対照的です。これに対処するために、2つの要因、すなわち SL 中に稀な色語をアップサンプリングすること、そして多人数のリスナーによる RL 相互作用を導入し、幾何学的なコヒーレンス（整合性）を定量化する凸性指標を採用します。アップサンプリングは、語彙の多様性と、色語彙におけるシステム全体の情報性を向上させることがわかり、多人数リスナーの設定はより凸な色カテゴリーを促します。中程度のアップサンプリングと複数のリスナーを組み合わせることで、人間のシステムに最も類似した語彙が得られます。