preorderとしての言語

【 言語のプリミティブな構造を考える 】

これから Tai-Danae の大規模言語モデルの数学的モデルの紹介をしたいと思います。細かいテクニカルな話に入ってしまうと、全体の流れが見えにくくなるので、彼女のアプローチの基本的な骨組みの概説を先行して、段階的に進めたいと思います。

概説の第一回目である今回は、言語のプリミティブな構造としてpreorderという構造に注目するという話をします。

【 pregroupからpreorderへ 】

DisCoCatの言語理論の前提の一つは、自然言語が構成的な文法構造を持つことです。それは、通常は、Lambekのpregroup文法で記述されています。

DisCoCatとLambekのpregroup文法については、2022年12月のマルレク「ことばと意味の「構成性」について」https://www.marulabo.net/docs/discocat と、その中の次の資料を参照ください。 https://www.marulabo.net/docs/discocat/#Pregroup_Grammar　

pregroupは、基本的には、いくつかの代数的構造を持つ「半順序集合（partial order set: poset）」です。カテゴリー論的には、monoidal categoryの一種で、compact closed categoryになります。それは「半順序」より、複雑な構造を持っています。

大規模言語モデルが、「構造化されていないテキストデータの相関関係から完全に構築されている」とみなそうとする Tai-Danaeにとって、pregroupという構造を前提にすることはできません。

彼女が選んだのは、pregroupがもつ余分な代数的な構造(monoidとself dual)を捨て、さらに残った半順序(partial order)からも、ある性質を捨てて得られる 非常にプリミティブな前順序(preorder)という構造から大規模言語モデルの振る舞いを数学的に再構築するという道でした。

その意味では、彼女は、テキストデータが、「全く構造化されていない」と考えたわけではありません。最低限の前提ですが、言語は、 preorder という構造を持つのです。


【 preorderとは何か 】

順序≤が定義された集合𝑃で、𝑃に属する任意の要素 𝑎, 𝑏, 𝑐 が次の性質を持つとき、順序≤ はpreorder（前順序） と言われます。

　1.  ∀𝑎 ∈ 𝑃.  𝑎 ≤ 𝑎  　（反射律）
　2.  ∀𝑎,𝑏,𝑐 ∈ 𝑃. 𝑎 ≤ 𝑏 で 𝑏 ≤ 𝑐 なら 𝑎 ≤ 𝑐   （推移律）

このpreorderの条件は、この二つの条件に加えて次の条件を満たすpartial order (半順序)より弱いものです。

　3.  ∀𝑎,𝑏 ∈ 𝑃. 𝑎 ≤ 𝑏 かつ 𝑏 ≤ 𝑎 なら 𝑎 = 𝑏 

ちなみに、以上の条件に加えて ∀𝑎,𝑏 ∈ 𝑃. 𝑎 ≤ 𝑏 または 𝑏 ≤ 𝑎 なる条件を満たす順序を total order （全順序）と言います。


【 語の並びとしての言語と preorder 】

先に、言語は preorder という構造を持つとしたのですが、この仮定が不自然なものではないことを見ることにしましょう。

ここでは、言語は語の並びだと考えることにします。実は、これも、正確に言うと言語の構造についての仮定なのですが、大規模言語モデルの入力に与えられるテキストデータは、どの言語のテキストであれ、語の並びと考えることはできそうです。

このとき、語の並びからなる二つの表現SとTがあるとき、SとTとの間の順序≤ を次のように定義します。

　⚫️  SがTの部分文字列である時、S ≤ T
　⚫️  そうでない時、SとTの間には、順序関係は存在しない。

具体的な例で見てみましょう。

　red  ≤ red firetruck
　red  ≤ red blooded
　red  ≤ red ruby  ≤  beautiful red ruby
　red  ≤ red ruby  ≤  bright red ruby
　red  ≤ red meat  ≤  eat red meat  ≤ I eat red meat
　dog  ≤ hot dog  ≤ hot dog with mustard
　dog  ≤ hot dog with mustard
　beautiful  ≤  beautiful day  ≤ ice tea on a beautiful day
　tea  ≤ ice tea
　…

表現SとTが、S ≤ T という順序関係がある時、S→Tと、SからTに向かう矢印で表すことにします。

【 次回予告 】

概説の二回目である次回は、言語をカテゴリーとして捉えて、決してプリミティブなものではない言語の意味の構造にアプローチする準備をします。そこでは、Firthの意味論と米田の補題の話をします。

--------------------------------

ショートムービー「 preorderとしての言語 」を公開しました。
https://youtu.be/GNsejzn_ylM?list=PLQIrJ0f9gMcPgnaymP8vC37oKdYa5pvDm

「 preorderとしての言語 」のpdf資料
https://drive.google.com/file/d/1nDqQ-gbTiqFnH6ELgh7csYpFzDglCwHI/view?usp=sharing

blog 「 言語のプリミティブな構造を考える 」
https://maruyama097.blogspot.com/2023/12/preorder.html

「大規模言語モデルの数学的構造」まとめページ
https://www.marulabo.net/docs/llm-math/


コメント

コメントを投稿

このブログの人気の投稿

マルレク・ネット「エントロピーと情報理論」公開しました。

イメージ
前回の秋葉原でのマルレクのネット配信が始まりました。 https://crash.academy/class/156 タイトルを「エントロピーと情報理論 -- 量子情報理論入門 -- 」に変更しました。最初の30分は、無料です。 次回のマルレク「量子コンピュータとは何か？」の導入となるコンテンツです。 講演資料は、こちらです。 https://goo.gl/CKayix  あわせて、ご利用ください。 　　　--------------------------------- 　　　マルレク・ネット　ビデオ・コンテンツ　 　　　--------------------------------- 　「エントロピーと情報理論」 　　　　 https://crash.academy/class/156 　「人工知能の歴史を振り返る」 　　　　 https://crash.academy/class/139/ 　「ニューラル・コンピューターとは何か？」 　　　　 https://crash.academy/class/101/ 　「Google ニューラル機械翻訳」 　　　　 https://crash.academy/class/76/ 　「RNNとLSTMの基礎」 　　　　 https://crash.academy/class/66/
続きを読む

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション
続きを読む

人間は、善と悪との重ね合わせというモデルの失敗について

人間は善と悪との「重ね合わせ」だという前回の話は、人間の本性の複雑さを語るのには、ありうる喩えなのかもしれないが、量子の「重ね合わせ」の喩えとしては、実は、二つの点で失敗しているのだ。 一つには、複雑な善と悪との重ね合わせから情報を引き出す「簡単・粗野」な方法として、善か悪かの判断のみを下す「善悪測定器」を、便宜的に導入したのだが、これがマズイ。 複雑な量子の状態を「測定」した時に、我々は、その状態を複雑なまま見いだすことは出来ないのだ。量子が、善と悪との状態の重ね合わせだとしたら、測定によって我々が見いだすのは、必ず、善か悪か、どちらかの状態の量子を見いだす。 もしも、量子が、善悪二つの状態の重ね合わせではなく、もっと沢山の状態（例えば、100個の状態）の重ね合わせの場合でも、我々が「測定」で得られるのは、その中の、たった一つの状態である。 だから、量子の世界では、善か悪かの判断のみを下す「善悪測定器」は、決して「便宜的」なものではなく、これ以外の測定はできないという意味で、「原理的」な制約を表現しているのである。そのことが、先の喩えでは、うまく表現されていない。 量子の不思議さを、「重ね合わせ」の状態が不思議だと思っている人も多いのだが、それは違うと思う。 善と悪との重ね合わせの前回の例もそうだし、波だって、フーリエ変換だって、我々の日常に、たくさん「重ね合わせ」の現象は存在する。それは、ちっとも不思議なことではないし、表象するのも簡単である。 不思議なのは、「重ね合わせ」ではなく、量子に対する「測定」の方なのだ。それは、我々が「測定」に対してもつイメージとは、かけ離れている。量子力学の基礎の部分を構成しているのは、この不思議な「測定」の形式化・数式化なのである。（そして、それは、難しいものではない。今度の「紙と鉛筆」の演習に来て。） 二つ目の失敗も、実は、「測定」の扱いに関係している。 先の例では、丸山は、1,000回ほど「善悪測定器」にかけられ、その結果で、70% 悪人で、30% 善人 だと判定されるみたいな話をした。それが違うのである。 我々が「測定」で得られるのは、「重ね合わせ」を構成する複数の状態の中のたった一つの状態であると書いたのだが、それだけではないのだ。「測定」によって、量子の状態は、「測定」された一
続きを読む