Nov, 2019

对比学习感知推断

PDF
TL;DR本文探讨了如何通过心理学、认知科学和教育学的思想来设计和训练一个置换不变的模型，以提高机器在空间 / 时间推理方面的推理能力。通过 Contrastive Perceptual Inference network (CoPINet) 的实验，我们证明了它在两个主要数据集上设置了新的技术水平，从而提高了机器在思维空间 / 时间推理方面的能力。
thinking in picturesspatial-temporal reasoningartificial intelligenceraven's progressive matricespermutation-invariant model
发现论文，激发创造
  • 学习如何在视觉对象上进行推理

    探究对象为中心的编码器和变换推理模块是否能提高图像推理任务的效果，并发现其比传统以 Raven 智力测试为基础的任务特定归纳偏见更全面适用。

    Mar, 2023

  • ViTCN：用于推理的视觉转换器对比网络

    提出了基于 Contrastive Perceptual Inference network (CoPiNet) 的 Vision Transformer Contrastive Network， 结合心理学、认知学和教育学，采用先进的 Vision Transformer 架构，从像素级输入和全局特征上进一步改进了机器处理和推理空间 - 时间信息在 RAVEN 数据集上的能力。

    Mar, 2024

  • 使用预训练语言模型进行上下文类比推理

    通过将人类语言与类比制造联系起来，我们使用大规模预训练的语言模型（PLMs）来支持人工智能系统的类比能力，将感知特征转换成语言形式，PLMs 展现出惊人的零 - shot 关系推理能力，并在 RPM 测试中接近监督的以视觉为基础的方法。

    May, 2023

  • 基于认知启发的神经结构在视觉抽象推理中运用对比感知和概念处理

    我们介绍了一种新的神经架构，用于解决视觉抽象推理任务，受到人类认知的启发，特别是人类抽象推理经常在感知和概念处理之间交替进行，作为一种灵活、迭代和动态的认知过程。我们介绍了如何使用矩阵推理问题来解释这种新的对比感知 - 概念网络（CPCNet）的工作方式，以形式化问题的思维。在机器学习数据集 RAVEN 上的实验证明，CPCNet 相比之前的所有模型具有更高的准确性，同时使用了最弱的归纳偏差。我们还指出了原始 RAVEN 数据集中的显著且以前未被注意到的类别不平衡问题，并提出了一个新的变体 RAVEN--AB-RAVEN，该变体在抽象概念方面更加平衡。

    Sep, 2023

  • 基于特征的通用预测模型：感知和抽象推理的统一

    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

  • 几何矩阵推理任务中基于视觉想象力的类比构建

    本文介绍使用类比和图像转换的计算模型解决 Raven 渐进矩阵测试问题，并证明了使用这些方法在标准版本中可以解决 57 个问题中的 60 个问题。

    Aug, 2022

  • RAVEN: 用于关系和类比视觉推理的数据集

    本研究提出了一个新的数据集，旨在通过在分层表示中将视觉与结构、关系和类比推理相匹配，提高机器智能水平，并通过加入神经模块组合视觉理解和结构推理，持续改进所有模型的性能，实现现代视觉与机器推理的结合。

    Mar, 2019

  • 通过任务分解学习抽象视觉推理：Raven 渐进矩阵的案例研究

    基于变压器蓝图的深度学习架构，解决抽象推理任务中的挑战，通过预测个体对象及其布局的视觉属性来选择答案，并在实验评估中优于现有方法，提供关于推理的有趣见解和部分解释，同时免疫某些 RPM 基准中已知的偏见。

    Aug, 2023

  • 双对比网络实现有效的抽象推理

    通过使用神经网络来解决 “渐进矩阵” 谜题，本研究旨在提高机器的抽象推理能力。我们提出了一种简单而有效的双重对比网络（DCNet）来利用谜题的固有结构。实验结果表明，DCNet 在性能上优于最先进的方法。

    May, 2022

  • 多角度和多评估结合幸用的归纳偏好增强机器抽象推理能力

    通过实验和分析发现，具有良好归纳偏差的端到端神经网络可以优雅地解决 RAVEN 渐进矩阵问题，没有额外的元数据或任何特定骨干的偏好，多视角和多评估是成功推理的关键学习策略。

    Oct, 2022