ICLRApr, 2023

基于类比形成的 Transformer 的少样本 3D 解析

PDF
TL;DRAnalogical Networks 是一种以结构化标签的三维场景为主，通过类比推理对三维物体场景进行分割的模型，能够在少量内存样本的情况下有效地分割新物体。
analogical networks3d scenesanalogical reasoningfew-shot learningobject segmentation
发现论文，激发创造
  • 元模拟对比学习的少样本视觉推理

    本篇论文提出采用类比推理的方式解决少样本视觉推理问题，即通过提取训练和测试数据的结构关系，重复应用于类似问题的查询中，从而有效地学习训练集和测试集之间的关系相似性，实现对 RAVEN 数据集的超越性表现，并在不同属性下进行元学习，表现出了良好的泛化能力。

    Jul, 2020

  • 视觉类比：深度学习与组合模型

    本论文比较了人类视觉类比问题解决能力和三种不同的计算模型的性能，包括成分模型、连体网络和关系网络，结果显示成分模型的定性表现与人类推理者相似，而深度学习模型的表现则不如人类。

    May, 2021

  • 通过对抽象关系结构进行对比学习制作类比

    该研究通过关注数据的选择和呈现方式，研究神经网络在感知和推理原始视觉数据时如何诱导类比推理能力，并发现最健壮的类比推理能力是通过在输入域中对抽象关系结构进行对比学习而诱导的。

    Jan, 2019

  • 预训练语言模型中的科学和创意类比

    本文研究了大规模预训练语言模型（如 BERT 和 GPT-2）中类比的编码。我们介绍了一个新的类比数据集（SCAN），包含跨不同领域的多个属性和关系结构的系统映射，测试了几种广泛使用的预训练语言模型（LMs）的类比推理能力。然后发现，最先进的 LMs 在这些复杂的类比任务中表现不佳，突出了类比理解仍然存在的挑战。

    Nov, 2022

  • 使用神经算法推理解决视觉类比问题

    研究一类视觉类比推理问题，并使用神经类比推理方法寻找一系列基本的神经网络转换来处理符号空间中的图像，评估该算法对具有不同形状和位置的图像的推理泛化能力。

    Nov, 2021

  • 神经类比匹配

    该研究介绍了一种基于结构映射理论的神经网络结构 —— 模拟匹配网络（Analogical Matching Network），通过融合类比与深度学习，产生了一种人工智能模型，能够有效地学习和推理，解决新问题。

    Apr, 2020

  • 解决形态学类比问题：从检索到生成

    本文提出了一个深度学习框架来解决类比检测和解决两个关键问题，并在 morphological analogical proportions 数据集上进行了测试表明优于符号方法。文章总结了之前的研究，并结合了 ANNe 和 AE 嵌入模型。最终得出该模型在绝大多数情况下都优于其他方法，并提供了使用 DL 来处理类比问题的一般指南。

    Mar, 2023

  • 尚未达到：将类比模式与编码器 - 解码器网络相结合，实现认知合理的屈折变化

    本文研究了结合预编译的类比模式和编码器 - 解码器架构的技术，旨在在 SIGMORPHON 组织提供的数据上验证其预测非单词的屈折形式的效果，结果表明，在网络架构中加入类比模式有助于模仿说话者的预测。

    Aug, 2021

  • 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

  • 基于组合先验的少样本单视图三维物体重建

    本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

    Apr, 2020