Buchumschlag

Timing is Everything: Temporal Scaffolding of Semantic Surprise in Humor

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ma, Yuxi, Peng, Yongqian, Lyu, Junchen, Zhang, Chi, Zhu, Yixin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Word Embeddings Track Social Group Changes Across 70 Years in China
von: Ma, Yuxi, et al.
Veröffentlicht: (2025)

Rational Communication Shapes Morphological Composition
von: Yang, Fengyuan, et al.
Veröffentlicht: (2026)

Probing and Inducing Combinational Creativity in Vision-Language Models
von: Peng, Yongqian, et al.
Veröffentlicht: (2025)

On the Wings of Imagination: Conflicting Script-based Multi-role Framework for Humor Caption Generation
von: Shang, Wenbo, et al.
Veröffentlicht: (2026)

Brain in a Vat: On Missing Pieces Towards Artificial General Intelligence in Large Language Models
von: Ma, Yuxi, et al.
Veröffentlicht: (2023)

PixelWorld: How Far Are We from Perceiving Everything as Pixels?
von: Lyu, Zhiheng, et al.
Veröffentlicht: (2025)

Commonality and Individuality! Integrating Humor Commonality with Speaker Individuality for Humor Recognition
von: Zhu, Haohao, et al.
Veröffentlicht: (2025)

Code over Words: Overcoming Semantic Inertia via Code-Grounded Reasoning
von: Xu, Manjie, et al.
Veröffentlicht: (2026)

Multi-Level Narrative Evaluation Outperforms Lexical Features for Mental Health
von: Ma, Yuxi, et al.
Veröffentlicht: (2026)

Surprise Calibration for Better In-Context Learning
von: Tan, Zhihang, et al.
Veröffentlicht: (2025)

Representation Learning to Study Temporal Dynamics in Tutorial Scaffolding
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

NarrativeLoom: Enhancing Creative Storytelling through Multi-Persona Collaborative Improvisation
von: Ma, Yuxi, et al.
Veröffentlicht: (2026)

Re-defining Humor Data Objects for AI Humor Research
von: Arnett, Anna, et al.
Veröffentlicht: (2026)

The Effect of Surprisal on Reading Times in Information Seeking and Repeated Reading
von: Klein, Keren Gruteke, et al.
Veröffentlicht: (2024)

Psycho-linguistic Experiment on Universal Semantic Components of Verbal Humor: System Description and Annotation
von: Mikhalkova, Elena, et al.
Veröffentlicht: (2024)

Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding
von: Zhang, Zhihan, et al.
Veröffentlicht: (2024)

Culture-Aware Humorous Captioning: Multimodal Humor Generation across Cultural Contexts
von: Xu, Run, et al.
Veröffentlicht: (2026)

Advancing Text Classification with Large Language Models and Neural Attention Mechanisms
von: Lyu, Ning, et al.
Veröffentlicht: (2025)

Clozing the Gap: Exploring Why Language Model Surprisal Outperforms Cloze Surprisal
von: Nair, Sathvik, et al.
Veröffentlicht: (2026)

BottleHumor: Self-Informed Humor Explanation using the Information Bottleneck Principle
von: Hwang, EunJeong, et al.
Veröffentlicht: (2025)

HumorPlanSearch: Structured Planning and HuCoT for Contextual AI Humor
von: Dubey, Shivam
Veröffentlicht: (2025)

LOLgorithm: Integrating Semantic,Syntactic and Contextual Elements for Humor Classification
von: Khurana, Tanisha, et al.
Veröffentlicht: (2024)

HumorRank: A Tournament-Based Leaderboard for Evaluating Humor Generation in Large Language Models
von: Ajayi, Edward, et al.
Veröffentlicht: (2026)

Deceptive Humor: A Synthetic Multilingual Benchmark Dataset for Bridging Fabricated Claims with Humorous Content
von: Kasu, Sai Kartheek Reddy, et al.
Veröffentlicht: (2025)

Surprise! Uniform Information Density Isn't the Whole Story: Predicting Surprisal Contours in Long-form Discourse
von: Tsipidi, Eleftheria, et al.
Veröffentlicht: (2024)

HumorGen: Cognitive Synergy for Humor Generation in Large Language Models via Persona-Based Distillation
von: Ajayi, Edward, et al.
Veröffentlicht: (2026)

The Surprising Effectiveness of Negative Reinforcement in LLM Reasoning
von: Zhu, Xinyu, et al.
Veröffentlicht: (2025)

On the Proper Treatment of Units in Surprisal Theory
von: Kiegeland, Samuel, et al.
Veröffentlicht: (2026)

Knowledge-Augmented Large Language Model Agents for Explainable Financial Decision-Making
von: Zhang, Qingyuan, et al.
Veröffentlicht: (2025)

The Surprising Universality of LLM Outputs: A Real-Time Verification Primitive
von: Bogdan, Alex, et al.
Veröffentlicht: (2026)

Harm or Humor: A Multimodal, Multilingual Benchmark for Overt and Covert Harmful Humor
von: Sharshar, Ahmed, et al.
Veröffentlicht: (2026)

The Inverse Scaling Effect of Pre-Trained Language Model Surprisal Is Not Due to Data Leakage
von: Oh, Byung-Doh, et al.
Veröffentlicht: (2025)

When 'YES' Meets 'BUT': Can Large Models Comprehend Contradictory Humor Through Comparative Reasoning?
von: Liang, Tuo, et al.
Veröffentlicht: (2025)

Expect the Unexpected? Testing the Surprisal of Salient Entities
von: Lin, Jessica, et al.
Veröffentlicht: (2026)

Towards a Similarity-adjusted Surprisal Theory
von: Meister, Clara, et al.
Veröffentlicht: (2024)

Testing the Predictions of Surprisal Theory in 11 Languages
von: Wilcox, Ethan Gotlieb, et al.
Veröffentlicht: (2023)

SR-TTT: Surprisal-Aware Residual Test-Time Training
von: P, Swamynathan V
Veröffentlicht: (2026)

The Surprising Effectiveness of Test-Time Training for Few-Shot Learning
von: Akyürek, Ekin, et al.
Veröffentlicht: (2024)

Less Data Less Tokens: Multilingual Unification Learning for Efficient Test-Time Reasoning in LLMs
von: Chen, Kang, et al.
Veröffentlicht: (2025)

Capability Conditioned Scaffolding for Professional Human LLM Collaboration
von: Yang, Sen, et al.
Veröffentlicht: (2026)