AAAIDec, 2023

一个可自配置的模型来解决多个抽象视觉推理问题

PDF
TL;DR提出了一个统一的模型 SCAR 用于解决单选抽象视觉推理任务，该模型利用新颖的 SAL 结构自适应权重来解决各种类型的 AVR 任务，并在多任务和迁移学习中展示了有效的知识重用，为 AVR 领域的任务无关研究路径的进展提供了刺激和促进。
abstract visual reasoninguniversal learning systemsdynamic layerscarself-configurable architecture
发现论文，激发创造
  • 抽象视觉推理问题的统一视角

    我们提出了一种统一的抽象视觉推理任务表示方法，可以应用于不同类型的任务，并且能够在迁移学习和课程学习中有效地重用知识。

    Jun, 2024

  • 抽象视觉推理研究的新兴方向综述

    本论文回顾了近年来浮现出的抽象视觉推理问题的研究，并提出了一个分类体系来归纳这些问题的性质。通过研究这些问题在输入形状、隐藏规则、目标任务、认知功能和主要挑战等五个纬度上的共性和差异，一方面对于解决 Abstract Visual Reasoning 问题的现有方法提供了一个统一的视角，同时也为未来的研究方向指明了新契机，如把多种类型的问题结合在一个智商测试中对人类智力进行评估与对机器学习进行研究等。

    Feb, 2022

  • MARVEL: 多维度的可视化评估和学习中的抽象和推理

    多模态大型语言模型在抽象视觉推理方面呈现出近乎随机的性能，无法理解视觉特征和难以进行抽象推理。

    Apr, 2024

  • 抽象视觉推理的深度学习方法：关于瑞文渐进矩阵的调查

    本文总结了近年来深度学习方法在抽象视觉推理领域的应用研究进展，并重点关注了目前最普遍的抽象视觉推理任务 —— 瑞文渐进矩阵（RPM），并提供了综合的深度神经模型和学习方法以及 RPM 基准集的分析，对现有方法的性能进行了分析，为当前和未来研究的趋势提供了见解和意见，并最终展示了实际问题如何受益于 RPM 研究的发现。

    Jan, 2022

  • 抽象视觉推理模型中的泛化和知识迁移

    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

  • 尺度局部化的抽象推理

    该研究提出了一种多尺度架构，用于处理抽象关系推理任务中的空间和语义关系，其优于现有技术在所有基准测试中的成功表明来自多种创新，包括：在多个解析度中搜索关系模式，优化每个分辨率的推理网络并构建一个新的 RAVEN-FAIR 数据集。

    Sep, 2020

  • 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

  • 人类与多模态 LLMs 之间的视觉认知差距是什么？

    我们提出了一个新数据集 MaRs-VQA 和一个新的基准 VCog-Bench，以评估 Multimodal Large Language Models 的零射击 Abstract Visual Reasoning 能力，并将其与现有的人类智能研究进行比较。我们的实验结果揭示了当前 MLLMs 在视觉认知方面存在的局限性。

    Jun, 2024

  • 视觉抽象推理任务的深度非单调推理

    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

  • 利用神经嵌入和向量运算解决 ARC 视觉类比问题：一种广义方法

    这篇论文通过引入变分自动编码器 (VAE) 来解决通过向量算术处理的视觉类比推理问题，并且在 Abstraction and Reasoning Corpus (ARC) 中取得了有希望的结果。

    Nov, 2023