CVPRMar, 2021

通过概率推理和执行进行抽象时空推理

PDF
TL;DR本文提出了一种神经符号融合的概率演绎和执行学习器，通过分离知觉和推理的过程，使用神经视觉感知前端和符号逻辑推理后端，基于概率场景表示进行概率诱导和执行，实现了复杂的人工智能时空推理任务并提高了泛化能力和答案生成能力。
spatial-temporal reasoningartificial intelligenceraven's progressive matricesneuro-symbolicprobabilistic abduction and execution
发现论文，激发创造
  • 矢量符号化架构中基于学习规则的视觉抽象推理的概率推断

    学习向量符号体系在解决抽象推理问题 (Raven's progressive matrices) 方面具有高效性和预测准确性。

    Jan, 2024

  • 神经符号化时空推理

    本文介绍了如何通过在神经符号人工智能方向上融合逻辑推理和机器学习，来整合空间和时间知识，解决复杂的现实问题，包括自然语言处理、视觉问题回答和语义图像分割。

    Nov, 2022

  • 高层诱导下的可视化解释：基于答案集编程的机动物体推理

    我们提出了一种混合架构，用于系统地计算关于视频数据的鲁棒视觉解释，其中包括假设形成，信念修正和默认推理，并且由紧密集成的两个协同构成：以时间 - 空间为基础的踪迹上的函数回答集规划的诱导推理和基于检测的对象跟踪和动态分析的视觉处理流程。

    Dec, 2017

  • 抽象视觉推理的分层规则感知网络

    本文提出了一种分层规则感知网络（SRAN），以解决图形推理测试 RPM 中的互补偏差问题，并引入了用于创建改进数据集 I-RAVEN 的答案集生成算法

    Feb, 2020

  • 迈向生成式抽象推理：通过规则抽象和选择完成 Raven's Progressive Matrix

    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

  • 视觉诱导推理

    本文提出了一种基于可视信息的机器智能推理任务及对应数据集 Visual Abductive Reasoning (VAR)，并基于 VAR 数据集设计了一个基于 causual-and-cascaded reasoning Transformer 模型的强基线模型 Reasoner，用于抽象观测到的信息并推测可能的假设，实验表明 Reasoner 的性能超过多个著名的视觉语言模型，但仍远不及人类表现。

    Mar, 2022

  • 通过 Abductive 学习进行神经感知和逻辑推理的隧道

    本研究提出基于 “缺省推理” 思想的联合感知和推理框架来实现人工智能的人类水平认知能力，并建立了神经逻辑机来实现该框架。实验证明，该框架在从少量手写公式数据中学习后，能够很好地推广到复杂的新数据中，并在人工智能领域中标志着开创了一种新的研究方向。

    Feb, 2018

  • 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

  • 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

  • 通过抽象推理归纳进行时间知识问答

    我们提出了一种以构造主义为基础的方法，将 LLM 学习过程转向主动、持续的知识综合和定制，通过将时态推理分为两个阶段并整合历史数据中的抽象方法，显著提高了 LLM 对时态推理的能力。

    Nov, 2023