ECCVNov, 2021

学习代数表征以在抽象推理中进行系统化推广

PDF
TL;DR本文探讨了连接主义和经典派对智能的实现方法，提出了一种混合方法来改进推理中的系统化泛化，通过代数表示来提高思维抽象能力，在 Raven's Progressive Matrices 任务中表现出比纯连接主义模型更好的推理性能，并且学到的代数表示具有生成能力。
connectionistclassicistalgebraicabstract reasoningsystematic generalization
发现论文，激发创造
  • 抽象视觉推理：一种代数方法用于解决 Raven 渐进矩阵问题

    介绍一种新的代数机器推理框架，将 Raven 渐进矩阵问题求解转化为代数计算，利用理想的 Gröbner 基计算等数学算法，能够从答案集合中选出正确答案并仅凭问题矩阵就生成正确答案，试验在 I-RAVEN 数据集上达到 93.2% 的准确率，超过当前最先进的 77.0% 和人类表现的 84.4% 准确率。

    Mar, 2023

  • 简单算术问题系统化泛化的混合系统

    提出了一种混合系统，通过学习适当的替换规则并迭代应用这些规则到输入字符串，能够解决需要在符号序列上进行组合和系统推理的算术问题。

    Jun, 2023

  • 基于知识的神经符号潜变空间类比推理

    本论文提出了一种结合神经网络的模式识别能力、符号推理和背景知识来解决类比推理问题的框架，并应用于 RAVEN 的递进矩阵上，取得了与人类表现有竞争力甚至更优秀的结果。

    Sep, 2022

  • 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

  • 通用神经算法学习器

    该论文介绍了一种基于图神经网络的通用神经算法学习器，能够学习执行多种算法，如排序、搜索、动态规划、路径查找和几何等，同时提出了一系列改进方法，进一步提高了单任务性能和多任务学习的效果。

    Sep, 2022

  • 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

  • 图神经网络中的算法推理

    通过与神经网络和热带代数的连接，将算法推理集成到机器学习模型中的潜力展示出来。

    Feb, 2024

  • 从机器学习到机器推理

    通过代数操作简单的学习系统来建立推理能力，而非试图在机器学习系统和复杂的推理机制之间建立联系。

    Feb, 2011

  • 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

  • Peano: 学习形式化数学推理

    本研究探讨在数学中的程序抽象结构，定案例研究并且说明通过 Peano 定理证明环境和可重用抽象的能力，加上恰当的教学大纲，是保障自动化数学推理的长期文化传播的有效方法。

    Nov, 2022