어휘적 합의: 인공 에이전트에서의 토대 기반 단어 학습과 공유 의미

초록

인공지능 시스템은 일반적으로 작업 수행 능력과 행동 모방을 통해 평가되지만, 그러한 평가만으로는 인공 에이전트가 토대 기반 경험으로부터 새로운 어휘적 의미를 획득하고, 안정화하며, 사용할 수 있는지 여부가 불분명하게 남는다. 본 논문은 구조화된 지각적 기반 위에서 토대 기반 단어 학습을 연구하기 위한 실험적 프레임워크인 어휘 합의(Lexical Consensus)를 소개한다. 고정된 DINOv2 시각적 임베딩, 캐럴 방식의 임시어(Carroll-style nonce words), 해석 가능한 어휘 학습기와 선형 기준 모델을 사용하여, 에이전트가 시각적 개념에 대한 인공 레이블을 획득하고, 이를 양방향으로 일반화하며, 통제된 환경에서 안정화할 수 있는지 테스트한다. 주요 결과는 강건한 지각적 일관성 그라디언트(perceptual-coherence gradient)이다: 자연 범주(native categories)는 학습이 가장 용이하고, 일관된 확장(overextensions)은 여전히 학습 가능하며, 중간 범위의 분리 개념(disjunctive concepts)은 성능이 저하되고, 먼 분리 개념(far-disjunctive concepts)은 우연 수준에 가깝다. 사전 등록된 CIFAR-100 분리 실험은 이 그라디언트가 의미적 관련성보다는 지각적 거리에 의해 결정됨을 확인한다: 지각적 거리는 획득 정확도를 예측하며(부분 R^2 = 0.245, p < 1e-7), 의미적 거리는 유의미한 설명력을 추가하지 않는다(부분 R^2 = 0.002, p = 0.660). 양방향 평가는 명명(naming)과 인출(retrieval)이 별개의 과정임을 보여준다: 예시 기반 메커니즘은 레이블-이미지 인출에서 중심점 프로토타입(centroid prototypes)보다 우수하며, 명명 정확도와는 별개의 기억 충실도(memory-fidelity) 차원을 드러낸다. 반증 통제(falsification controls), 동질적 후보 풀 평가, 표상 재구조화에 대한 귀무 결과는 고정된 지각적 기하학이 어휘적 토대화를 가능하게 하는 동시에, 표상 적응 없이 획득 가능한 것을 제한함을 시사한다.

English

Artificial intelligence systems are commonly evaluated through task performance and behavioral imitation, but such evaluations leave open whether an artificial agent can acquire, stabilize, and use new lexical meanings from grounded experience. This paper introduces Lexical Consensus, an experimental framework for studying grounded word learning over a structured perceptual substrate. Using frozen DINOv2 visual embeddings, Carroll-style nonce words, and interpretable lexical learners plus linear baselines, we test whether agents can acquire artificial labels for visual concepts, generalize them bidirectionally, and stabilize them across controlled settings. The main result is a robust perceptual-coherence gradient: native categories are easiest to learn, coherent overextensions remain learnable, mid-range disjunctive concepts degrade, and far-disjunctive concepts approach chance. A pre-registered CIFAR-100 dissociation experiment confirms that this gradient is governed by perceptual distance rather than semantic relatedness: perceptual distance predicts acquisition accuracy (partial R^2 = 0.245, p < 1e-7), while semantic distance adds no significant explanatory power (partial R^2 = 0.002, p = 0.660). Bidirectional evaluation shows that naming and retrieval are distinct: exemplar-based mechanisms outperform centroid prototypes in label-to-image retrieval, exposing a memory-fidelity dimension separate from naming accuracy. Falsification controls, homogeneous candidate-pool evaluations, and null results on representational restructuring indicate that frozen perceptual geometry both enables lexical grounding and limits what can be acquired without representational adaptation.