論文の概要: Solving Raven's Progressive Matrices with Neural Networks
- arxiv url: http://arxiv.org/abs/2002.01646v2
- Date: Thu, 6 Feb 2020 13:58:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 21:37:54.119279
- Title: Solving Raven's Progressive Matrices with Neural Networks
- Title（参考訳）: ニューラルネットワークによるRavenの進歩行列の解法
- Authors: Tao Zhuo and Mohan Kankanhalli
- Abstract要約: Raven's Progressive Matrices (RPM) は、人間のインテリジェンス・クオシエント・クオシエント(IQ)テストに広く用いられている。
本稿では,教師なしと教師なしの両方の方法でニューラルネットワークを用いてRPMを解くことを目的とする。
- 参考スコア（独自算出の注目度）: 10.675709291797535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raven's Progressive Matrices (RPM) have been widely used for Intelligence
Quotient (IQ) test of humans. In this paper, we aim to solve RPM with neural
networks in both supervised and unsupervised manners. First, we investigate
strategies to reduce over-fitting in supervised learning. We suggest the use of
a neural network with deep layers and pre-training on large-scale datasets to
improve model generalization. Experiments on the RAVEN dataset show that the
overall accuracy of our supervised approach surpasses human-level performance.
Second, as an intelligent agent requires to automatically learn new skills to
solve new problems, we propose the first unsupervised method, Multilabel
Classification with Pseudo Target (MCPT), for RPM problems. Based on the design
of the pseudo target, MCPT converts the unsupervised learning problem to a
supervised task. Experiments show that MCPT doubles the testing accuracy of
random guessing e.g. 28.50% vs. 12.5%. Finally, we discuss the problem of
solving RPM with unsupervised and explainable strategies in the future.
- Abstract（参考訳）: Raven's Progressive Matrices (RPM) は、人間のインテリジェンス・クオシエント(IQ)テストに広く用いられている。
本稿では,教師なしと教師なしの両方の方法でニューラルネットワークを用いてRPMを解くことを目的とする。
まず,教師付き学習における過剰フィッティングを減らすための戦略を検討する。
モデル一般化を改善するために,深層ニューラルネットワークの利用と大規模データセットの事前学習を提案する。
RAVENデータセットの実験は、教師付きアプローチの全体的な精度が人間レベルのパフォーマンスを上回ることを示している。
第2に,知的なエージェントは,新しい問題を解決するための新しいスキルを自動学習する必要があるため,rpm問題に対して,最初の教師なし手法である疑似目標付きマルチラベル分類(mcpt)を提案する。
MCPTは擬似ターゲットの設計に基づいて教師なし学習問題を教師なしタスクに変換する。
実験の結果、MCPTは確率推定の精度を28.50%対12.5%と2倍にすることが示された。
最後に,今後RPMを非教師的かつ説明可能な戦略で解決する問題について論じる。
関連論文リスト
- ExpTest: Automating Learning Rate Searching and Tuning with Insights from Linearized Neural Networks [0.0]
本稿では,初期学習率探索とその後の学習率調整のための高度な手法であるExpTestを提案する。
ExpTestを数学的に正当化し、実証的なサポートを提供します。
論文 参考訳（メタデータ） (2024-11-25T22:58:22Z) - Guiding Through Complexity: What Makes Good Supervision for Hard Reasoning Tasks? [74.88417042125985]
複雑さの異なるタスクにおいて、様々な品質レベルで監視データを提供する様々なデータ駆動戦略について検討する。
ハードタスクの監視における結果エラー率が高い場合でも、そのようなデータによるトレーニングは、より簡単なサブタスクの監督を完璧に上回ります。
また,本研究の結果から,タスク・インスペクションとサブタスク・インスペクションを補完することで,顕著なパフォーマンス向上が期待できることがわかった。
論文 参考訳（メタデータ） (2024-10-27T17:55:27Z) - A Study of Forward-Forward Algorithm for Self-Supervised Learning [65.268245109828]
本研究では,自己指導型表現学習におけるフォワードとバックプロパゲーションのパフォーマンスについて検討する。
我々の主な発見は、フォワードフォワードアルゴリズムが(自己教師付き)トレーニング中にバックプロパゲーションに相容れないように機能するのに対し、転送性能は研究されたすべての設定において著しく遅れていることである。
論文 参考訳（メタデータ） (2023-09-21T10:14:53Z) - Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。
私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
論文 参考訳（メタデータ） (2023-07-13T16:39:08Z) - Are Deep Neural Networks SMARTer than Second Graders? [85.60342335636341]
6～8歳児を対象としたビジュオ言語パズルの解法において,ニューラルネットワークの抽象化,推論,一般化能力の評価を行った。
我々のデータセットは101のユニークなパズルで構成されており、各パズルは絵の質問で構成されており、それらの解には算術、代数学、空間推論を含むいくつかの基本的なスキルが混在している必要がある。
実験により、強力なディープモデルは教師付き設定でパズルに合理的な性能を与えるが、一般化のために解析するとランダムな精度よりは良くないことが明らかになった。
論文 参考訳（メタデータ） (2022-12-20T04:33:32Z) - Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。
本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。
我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
論文 参考訳（メタデータ） (2022-09-24T14:22:29Z) - Effective Abstract Reasoning with Dual-Contrast Network [10.675709291797535]
我々はRavenのプログレッシブ行列(RPM)パズルをニューラルネットワークで解くことを目指している。
我々は、RPMパズルの固有構造を利用するために、単純で効果的なDual-Contrast Network(DCNet)を設計する。
RAVENとPGMデータセットの実験結果から、DCNetは最先端の手法を5.77%で上回る結果となった。
論文 参考訳（メタデータ） (2022-05-27T02:26:52Z) - Unsupervised Abstract Reasoning for Raven's Problem Matrices [9.278113063631643]
Raven's Progressive Matrices (RPM) は人間の知能と非常に相関している。
本稿では,RPM問題の解法として,教師なし学習法を提案する。
我々の手法は教師付きアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-09-21T07:44:58Z) - Pointer Value Retrieval: A new benchmark for understanding the limits of
neural network generalization [40.21297628440919]
我々は、ニューラルネットワークの一般化の限界を探求する新しいベンチマーク、Pointer Value Retrieval(PVR)タスクを導入する。
PVRタスクは視覚的および記号的な入力で構成され、それぞれが様々な難易度を持つ。
このタスク構造が一般化を理解するための豊富なテストベッドを提供することを示す。
論文 参考訳（メタデータ） (2021-07-27T03:50:31Z) - Stratified Rule-Aware Network for Abstract Visual Reasoning [46.015682319351676]
Raven's Progressive Matrices (RPM) テストは一般的に抽象的推論の能力を調べるために使用される。
畳み込みニューラルネットワーク(CNN)を利用した最近の研究は、RPMテストを達成するための奨励的な進歩を達成している。
本稿では,2つの入力シーケンスに対するルール埋め込みを生成するためのSRAN(Stratified Rule-Aware Network)を提案する。
論文 参考訳（メタデータ） (2020-02-17T08:44:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。