論文の概要: Learning abstract structure for drawing by efficient motor program induction

• arxiv url: http://arxiv.org/abs/2008.03519v1
• Date: Sat, 8 Aug 2020 13:31:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 11:37:47.027657
• Title: Learning abstract structure for drawing by efficient motor program induction
• Title（参考訳）: 効率的なモータプログラム誘導による描画のための抽象構造学習
• Authors: Lucas Y. Tian, Kevin Ellis, Marta Kryven, Joshua B. Tenenbaum
• Abstract要約: 我々は、人間が構造化された事前知識を迅速に取得する方法を研究するために、自然主義的な描画タスクを開発する。 一般化を支援する抽象的な描画手順を自然に学習していることが示される。 本稿では,これらの再利用可能な描画プログラムを学習者がどのように発見できるかのモデルを提案する。
• 参考スコア（独自算出の注目度）: 52.13961975752941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans flexibly solve new problems that differ qualitatively from those they were trained on. This ability to generalize is supported by learned concepts that capture structure common across different problems. Here we develop a naturalistic drawing task to study how humans rapidly acquire structured prior knowledge. The task requires drawing visual objects that share underlying structure, based on a set of composable geometric rules. We show that people spontaneously learn abstract drawing procedures that support generalization, and propose a model of how learners can discover these reusable drawing programs. Trained in the same setting as humans, and constrained to produce efficient motor actions, this model discovers new drawing routines that transfer to test objects and resemble learned features of human sequences. These results suggest that two principles guiding motor program induction in the model - abstraction (general programs that ignore object-specific details) and compositionality (recombining previously learned programs) - are key for explaining how humans learn structured internal representations that guide flexible reasoning and learning.
• Abstract（参考訳）: 人間は訓練されたものと質的に異なる新しい問題を柔軟に解決する。 この一般化能力は、異なる問題に共通する構造を捉える学習概念によって支えられている。 ここでは,人間が構造化事前知識を迅速に獲得する方法を研究するために,自然主義的な描画タスクを開発する。 このタスクは、構成可能な幾何ルールのセットに基づいて、基盤構造を共有する視覚オブジェクトを描く必要がある。 一般化を支援する抽象描画手順を自発的に学習し,再利用可能な描画プログラムを学習者が発見できるモデルを提案する。 人間と同じ環境で訓練され、効率的な運動行動を生み出すために制約されたこのモデルは、テスト対象に移動し、人間のシーケンスの学習された特徴に似た新しい描画ルーチンを発見する。 これらの結果は、抽象(オブジェクト固有の詳細を無視する一般的なプログラム)と構成性(以前に学習したプログラムを再結合)という2つの原理が、柔軟な推論と学習を導く構造的内部表現の学習方法を説明する上で重要であることを示唆している。

関連論文リスト

• Self-Explainable Affordance Learning with Embodied Caption [63.88435741872204]
  具体的キャプションを具現化したSelf-Explainable Affordance Learning (SEA)を紹介する。 SEAは、ロボットが意図を明確に表現し、説明可能な視覚言語キャプションと視覚能力学習のギャップを埋めることを可能にする。 本稿では, 簡便かつ効率的な方法で, 空き地と自己説明を効果的に組み合わせた新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:22:38Z)
• Neural Causal Abstractions [63.21695740637627]
  我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。 本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。 本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
  論文  参考訳（メタデータ） (2024-01-05T02:00:27Z)
• Compositional diversity in visual concept learning [18.907108368038216]
  人間は構成性を活用して、新しい概念を効率的に学習し、親しみのある部分がどのように結合して新しい物体を形成するかを理解する。 そこで本研究では,豊かな関係構造を持つ「異星人」の分類・生成方法について考察する。 我々は,候補となる視覚図を生成するための最適なプログラムを探索するベイズプログラム誘導モデルを開発した。
  論文  参考訳（メタデータ） (2023-05-30T19:30:50Z)
• Learning to Infer 3D Shape Programs with Differentiable Renderer [0.0]
  本稿では, 形状プログラムの解釈において, より忠実で, 制御可能な解析可能エグゼキュータを提案する。 これらは、基底真理プログラムが利用できない場合に、ジェネレータの学習を促進する。 適応に使用するための予備実験では,提案モジュールの利点が示された。
  論文  参考訳（メタデータ） (2022-06-25T15:44:05Z)
• Constellation: Learning relational abstractions over objects for compositional imagination [64.99658940906917]
  静的な視覚シーンのリレーショナル抽象化を学習するネットワークであるConstellationを紹介する。 この研究は、視覚的関係を明確に表現し、それらを複雑な認知手続きに使用するための第一歩である。
  論文  参考訳（メタデータ） (2021-07-23T11:59:40Z)
• A Self-Supervised Framework for Function Learning and Extrapolation [1.9374999427973014]
  本稿では,学習者が一般化を支援する表現を取得するためのフレームワークを提案する。 得られた表現は、教師なし時系列学習において、他のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-14T12:41:03Z)
• Flexible Compositional Learning of Structured Visual Concepts [17.665938343060112]
  本研究では,豊かな関係構造を持つ抽象的な視覚形態を用いて,異なるタイプの視覚構成を学習する方法について検討する。 さまざまなシナリオで、ほんの数例から意味のある構成の一般化ができることが分かりました。 構成性の特別な場合を調べる過去の研究とは異なり、我々の研究は、単一の計算アプローチが多くの異なる種類の構成一般化を考慮できることを示す。
  論文  参考訳（メタデータ） (2021-05-20T15:48:05Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)
• Learning intuitive physics and one-shot imitation using state-action-prediction self-organizing maps [0.0]
  人間は探索と模倣によって学び、世界の因果モデルを構築し、両方を使って新しいタスクを柔軟に解決する。 このような特徴を生み出す単純だが効果的な教師なしモデルを提案する。 エージェントがアクティブな推論スタイルで柔軟に解決する、複数の関連するが異なる1ショットの模倣タスクに対して、その性能を示す。
  論文  参考訳（メタデータ） (2020-07-03T12:29:11Z)

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。