論文の概要: Generating Correct Answers for Progressive Matrices Intelligence Tests
- arxiv url: http://arxiv.org/abs/2011.00496v1
- Date: Sun, 1 Nov 2020 13:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 22:44:31.972471
- Title: Generating Correct Answers for Progressive Matrices Intelligence Tests
- Title（参考訳）: プログレッシブ行列知能テストのための正解の生成
- Authors: Niv Pekar, Yaniv Benny, Lior Wolf
- Abstract要約: Ravenのプログレッシブマトリクス(Progressive Matrices)は、複数選択のインテリジェンステストである。
このテストに対処する以前の試みは、複数の選択肢の中から正しい回答を選択することに集中していました。
この作業では、代わりに、定義によって難しいタスクである選択を見ることなく、グリッドに与えられた正しい回答を生成することに焦点を合わせます。
- 参考スコア（独自算出の注目度）: 88.78821060331582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raven's Progressive Matrices are multiple-choice intelligence tests, where
one tries to complete the missing location in a $3\times 3$ grid of abstract
images. Previous attempts to address this test have focused solely on selecting
the right answer out of the multiple choices. In this work, we focus, instead,
on generating a correct answer given the grid, without seeing the choices,
which is a harder task, by definition. The proposed neural model combines
multiple advances in generative models, including employing multiple pathways
through the same network, using the reparameterization trick along two pathways
to make their encoding compatible, a dynamic application of variational losses,
and a complex perceptual loss that is coupled with a selective backpropagation
procedure. Our algorithm is able not only to generate a set of plausible
answers, but also to be competitive to the state of the art methods in
multiple-choice tests.
- Abstract（参考訳）: Ravenのプログレッシブマトリクス(Progressive Matrices)は、複数選択のインテリジェンステストである。
このテストに対処する以前の試みは、複数の選択肢の中から正しい回答を選択することに集中していました。
この作業では、定義によって難しいタスクである選択を見ることなく、グリッドに与えられた正しい回答を生成することに重点を置いています。
提案するニューラルモデルは、生成モデルにおける複数の進歩を組み合わせることで、同じネットワークを複数の経路を通し、それらのエンコーディングに互換性を持たせるために2つの経路に沿って再パラメータ化トリックを使い、変動損失の動的応用、選択的バックプロパゲーション手順と結合した複雑な知覚的損失を組み合わせる。
提案アルゴリズムは, 探索可能な解の集合を生成できるだけでなく, 複数選択テストにおける工法の現状に競争力を持たせることができる。
関連論文リスト
- OFER: Occluded Face Expression Reconstruction [16.06622406877353]
OFERは,多彩で表現力に富んだ3次元顔を生成することのできる,単一画像の3次元顔再構成のための新しいアプローチである。
本稿では,予測された形状精度スコアに基づいて形状拡散ネットワークの出力をソートし,最適マッチングを選択する新しいランキング機構を提案する。
論文 参考訳（メタデータ） (2024-10-29T00:21:26Z) - Transfer Learning Enhanced Single-choice Decision for Multi-choice Question Answering [27.601353412882258]
MMRC (Multi-choice Machine Reading) は、与えられたパスと質問に基づいて、オプションのセットから正しい回答を選択することを目的としている。
本稿では,ある解答が正しいかどうかを識別するために,二項分類を訓練することにより,複数選択を単一選択に再構成する。
提案手法はマルチ選択フレームワークを排除し,他のタスクのリソースを活用できる。
論文 参考訳（メタデータ） (2024-04-27T16:02:55Z) - Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳（メタデータ） (2024-03-06T16:31:56Z) - Learning Abstract Visual Reasoning via Task Decomposition: A Case Study
in Raven Progressive Matrices [0.24475591916185496]
Raven Progressive Matrices(source)では、タスクは、与えられたコンテキストで利用可能な答えの1つを選択することである。
本研究では,変圧器の青写真に基づくディープラーニングアーキテクチャを提案する。
この方法で得られた多次元の予測は、その答えを選択するために直接近似される。
論文 参考訳（メタデータ） (2023-08-12T11:02:21Z) - Discovering Non-monotonic Autoregressive Orderings with Variational
Inference [67.27561153666211]
我々は、訓練データから高品質な生成順序を純粋に検出する、教師なし並列化可能な学習装置を開発した。
エンコーダを非因果的注意を持つトランスフォーマーとして実装し、1つのフォワードパスで置換を出力する。
言語モデリングタスクにおける経験的結果から,我々の手法は文脈認識であり,一定の順序と競合する,あるいはより優れた順序を見つけることができる。
論文 参考訳（メタデータ） (2021-10-27T16:08:09Z) - Context-guided Triple Matching for Multiple Choice Question Answering [13.197150032345895]
複数選択質問応答 (MCQA) とは、複数の候補から適切な回答を抽出し、その問合せ、問合せ、問合せ、答答の3倍のスコアを推定することを指す。
既存の方法は、複数のエビデンス文でケースを評価する能力を制限するいくつかのペアワイドまたはデュアルマッチングステップにプロセスを分離する。
本稿では、三重マッチング(TM)モジュールと対照正規化(CR)を統合した新しいコンテキスト誘導三重マッチングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-27T12:30:39Z) - Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。
複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。
ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文 参考訳（メタデータ） (2021-06-14T13:01:46Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳（メタデータ） (2020-11-24T14:22:42Z) - Composing Answer from Multi-spans for Reading Comprehension [77.32873012668783]
本稿では,非抽出機械読解(MRC)タスクに対する応答を生成する新しい手法を提案する。
提案手法は,長い解答を正確に生成する性能が向上し,競合する2つの典型的な1スパンとSeq2Seqのベースラインデコーダよりも大幅に向上する。
論文 参考訳（メタデータ） (2020-09-14T01:44:42Z) - DiverseNet: When One Right Answer is not Enough [35.764028730120096]
テスト時間クエリ毎に多様な構造化された予測を可能にするニューラルネットワークのトレーニング方法を提案する。
提案手法は,2次元画像補完,3次元ボリューム推定,フロー予測という3つの課題にまたがって定量的な改善をもたらす。
論文 参考訳（メタデータ） (2020-08-24T18:12:49Z)
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。