分类器的神经代数
该研究介绍了一个名为 ConceptWorld 的环境,用于生成通过逻辑领域特定语言定义的构成和关系概念的图像。研究测试了标准神经网络和关系网络的泛化能力,并提出了一个潜在的基准模型,以鼓励在构成和关系领域有效泛化的模型的发展。
Jun, 2020
通过引入简单的正则化技术以及利用类别级别属性注释对神经网络进行特征空间分解,本工作试图弥合深度学习模型与人类学习之间的鸿沟,证明组合表示的价值并展示少量样本即可学习新类别的分类器。
Dec, 2018
本文探讨了人类与计算机视觉模型在不同类型的视觉组合任务中的差异,通过大程序空间中的最佳程序来生成具有丰富关系结构的候选视觉对象,发现人类和程序感知上存在着一些相同点,同时在一些结构上存在不同,其中,形成新的概念主要涉及到的是组合机制和抽象。
May, 2023
本文着眼于深度神经网络内部表示的研究,并使用聚类算法提取了一组视觉概念,展示了这些概念可以用于语义部分检测的无监督方法,并将这些视觉概念组合成了一种简单的模式理论模型,名为 “构成投票”,相较于专门针对语义部分检测的支持向量机和深度网络,证明了这种方法的效果更好。
Nov, 2017
本文探讨了人类学习机制中的组合性问题,并扩展了先前针对自然语言的神经网络研究到数学推理领域。研究发现,神经网络不仅能够学习到训练数据中的结构关系,而且能够将这些知识用于指导复合意义的组合。
May, 2021
提出一种新的问题,即视觉鉴别谜题(VDP),要求发现可解释的鉴别器以按照逻辑规范对图像进行分类,用组合的神经符号框架结合神经网络和符号学习器,实现机器学习模型的合并来处理高级认知任务。
Jul, 2019
我们使用一种解释深度学习表征中神经元的程序,通过识别与神经元行为密切相关的组合逻辑概念来实现,以比先前使用原子标签的解释方法更精确地描述他们的行为,并回答了一些有关视觉和自然语言处理模型可解释性的问题。
Jun, 2020
本文通过处理嵌套算数表达式的人工任务来研究神经网络如何学习和处理具有分层组合语义的语言,并发现递归神经网络和门控循环单元网络也可以在此任务上表现得十分出色。同时,我们提出诊断分类器的方法,可以有效地帮助我们了解神经网络的内部动态,这种方法可扩展至真实数据的更复杂和更深层的循环神经网络,有望推动当前最先进的自然语言处理模型的内部机理的更深入理解。
Nov, 2017