神经网络的智商
通过合成实验,研究深度学习算法从图像中推断简单的视觉概念,如对称性,作者设计了 “啊哈挑战” 以促进对 Gestalt 风格机器智能的研究。实验表明,相比于深度卷积神经网络,人类能够很快推断出语义概念,但需要更少的示例才能做到这一点。
Sep, 2017
本研究探讨基于卷积神经网络和前馈神经网络的自动化打分方法在国际数学和科学考试中将学生的绘画或图像回答分类的准确性。研究发现,相对于前馈神经网络,卷积神经网络能够更加精确地分类图像响应,并且可以取代人工评分,提高成绩评分的有效性和可比性。
Jan, 2022
人类对抽象结构的识别和操作能力十分出色,尤其在几何领域中显得更为明显。最近的认知科学研究表明,神经网络并没有共享这种能力,得出结论认为人类的几何能力来自人类心智表示中的离散符号结构。然而,人工智能领域的进展表明,经过标准架构的扩展模型规模和训练数据量后,神经网络开始表现出更类似人类推理的能力。在本研究中,我们重新审视认知科学对几何视觉处理的实证结果,并确定了几何视觉处理中的三个关键偏见:对复杂性、规律性和部分与关系的感知敏感性。我们测试了从文献中探索这些偏见的任务,并发现在人工智能中使用的大型预训练神经网络模型表现出更类似人类的抽象几何处理能力。
Feb, 2024
利用 lenet-5 体系结构的权重共享和特征提取和分类的优势,构建了一个几何图形识别算法模型,通过在识别过程中使用交叉熵损失函数来提高模型的泛化性能和测试数据集的平均识别准确率。
Apr, 2024
本论文旨在通过 extit {序列一致性评估}(SCE) 构建检测任务,研究使用深度学习模型解决此类任务的能力,结果表明,未经训练的深度学习模型仍能相对良好地解决这一类任务,这为构建机器流体智能提供了启示。
May, 2022
本文旨在分析卷积神经网络隐藏层模式对其整体性能的影响,针对 MNIST 数据集使用不同层数的神经网络测试其准确率变化并进行比较,探究深度学习在模式识别上的应用。
Sep, 2018
人类智能的一个特征是能够从有限的经验中推断出抽象规则,并将这些规则应用于陌生情境。本研究介绍了一个使用特征检测、仿射变换估计和搜索的算法方法来进行规则检测和应用,并在简化版的 Raven's Progressive Matrices 任务中展示了模型具有类似人类水平的一次性学习和符号推理能力。
Mar, 2024
高维卷积神经网络可用于几何模式识别中,通过对高维空间中的线性子空间、三维注册、图像对应等问题的研究表明,相比于全局池化运算符,基于高维卷积神经网络的先进方法具有更好的性能。
May, 2020
该研究针对数学领域中的推理、学习、应用规则等独特挑战,提出了一个数学问题套件的任务,用于测试和评估神经架构等系统的性能、能力和失效模式。通过生成数据并运用序列到序列的最强模型,可以从不同角度评估模型在数学问题解决和知识推广方面的能力。
Apr, 2019