尺度局部化的抽象推理
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
本文提出了一种非单调计算方法来解决视觉抽象推理任务,使用 RAVEN 数据集进行测试,并与现有单调深度学习模型进行比较,结果表明,该方法比现有单调深度学习模型更加有效。
Feb, 2023
研究在抽象视觉推理领域中,深度神经网络的泛化和知识重用能力,通过使用 Raven's Progressive Matrices(RPMs)作为评估抽象视觉推理能力的基准任务。通过研究两种知识转移场景,介绍了 Attributeless-I-RAVEN 和 I-RAVEN-Mesh 两个数据集,以及一种名为 PoNG 的新型神经架构,用于解决抽象视觉推理任务。
Jun, 2024
本文提出了一种功能强大的 FRAR 模型,该模型使用有计划的学习轨迹对训练数据进行分类,从而有效地提高学习性能,超过了基线算法,并在 RAVEN 数据集中击败了最先进的模型 18.7% ,在 PGM 数据集中击败了 13.3%。
Dec, 2019
提出了一种基于条件生成模型的解答生成方法,通过使用潜在空间中的规则抽象和选择(RAISE)来编码图像属性、分解潜在规则,并在生成答案时选择适当的原子规则,以解决 Raven's Progressive Matrix(RPM)中的抽象视觉推理问题。RAISE 在生成底部右侧和任意位置的答案任务中优于其他生成求解器,并通过奇异法找到违反潜在规则的图像,处理具有未见规则和属性组合的 RPM。
Jan, 2024
本研究旨在探索神经网络的抽象推理能力,提出了一个基于人类智商测试设计的数据集挑战,并展示了一种新的体系结构,该结构旨在鼓励推理并可显着提高神经网络的推理能力。通过改变测试和训练数据之间的方式,我们发现该模型在某些形式的泛化上非常擅长,但在其他方面明显较弱。此外,当该模型通过训练来预测答案的符号解释时,其泛化能力会显著提高。
Jul, 2018