Jun, 2024

基于 VSA 分布式表示的学习归纳推理

PDF
TL;DR我们介绍了一种具有上下文感知的 Abductive Rule Learner（ARLC）模型，它基于 Learn-VRF 解决抽象推理任务。ARLC 具有新颖且更广泛适用的训练目标，用于推断推理，能够在解决 Raven's progressive matrices（RPM）时提供更好的可解释性和更高的准确性。ARLC 允许编程的领域知识以及学习数据分布的规则。我们在 I-RAVEN 数据集上评估 ARLC，在内分布和未曾见过的属性 - 规则对测试中展示出最先进的准确性。尽管具有数量级更少的参数，ARLC 超越了神经符号化和连接主义基线，包括大型语言模型。我们通过在程序化知识之上逐渐学习示例来验证 ARLC 对后程序化训练的稳健性，这只会提高其性能，而不会导致程序化解决方案的灾难性遗忘。我们验证了 ARLC 从 2x2 RPM 星座到未见星座的无缝迁移学习。
abductive rule learnerabstract reasoning tasksraven's progressive matricesi-raven datasettransfer learning
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

  • 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

  • 解决抽象推理语料库任务的方法

    该研究介绍了一种利用程序综合方法来推理和解决抽象推理测验（ARC）任务的系统，其中实现了一种特定领域语言 Visual Imagery Reasoning Language （VIMRL），并且通过分解搜索空间和本地搜索来优化大的搜索空间，最终在 ARC 公开测试和私有测试中表现卓越。

    Feb, 2023

  • 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

  • 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

  • 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

  • 学习代数表征以在抽象推理中进行系统化推广

    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。

    Nov, 2021

  • RAVEN: 用于关系和类比视觉推理的数据集

    本研究提出了一个新的数据集，旨在通过在分层表示中将视觉与结构、关系和类比推理相匹配，提高机器智能水平，并通过加入神经模块组合视觉理解和结构推理，持续改进所有模型的性能，实现现代视觉与机器推理的结合。

    Mar, 2019

  • 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