論文の概要: Pairwise Relations Discriminator for Unsupervised Raven's Progressive
Matrices
- arxiv url: http://arxiv.org/abs/2011.01306v2
- Date: Thu, 5 Aug 2021 09:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 12:05:34.799548
- Title: Pairwise Relations Discriminator for Unsupervised Raven's Progressive
Matrices
- Title（参考訳）: 教師なしラヴェン進行行列に対する対関係判別器
- Authors: Nicholas Quek Wei Kiat, Duo Wang, Mateja Jamnik
- Abstract要約: レーヴェンのプログレッシブ・マトリクス問題に取り組むのに十分な推論能力を持つ教師なしモデルを開発するために、ペアワイズ・リレーション・ディミネータ(PRD)を導入する。
PRDは、RPM問題を関係比較タスクに再構成し、RPM問題のラベル付けを必要とせずに解決する。
我々のアプローチであるPRDは、I-RAVENで55.9%の精度で、最先端の教師なし学習ベンチマークを確立する。
- 参考スコア（独自算出の注目度）: 7.769102711230249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to hypothesise, develop abstract concepts based on concrete
observations and apply these hypotheses to justify future actions has been
paramount in human development. An existing line of research in outfitting
intelligent machines with abstract reasoning capabilities revolves around the
Raven's Progressive Matrices (RPM). There have been many breakthroughs in
supervised approaches to solving RPM in recent years. However, this process
requires external assistance, and thus it cannot be claimed that machines have
achieved reasoning ability comparable to humans. Namely, humans can solve RPM
problems without supervision or prior experience once the RPM rule that
relations can only exist row/column-wise is properly introduced. In this paper,
we introduce a pairwise relations discriminator (PRD), a technique to develop
unsupervised models with sufficient reasoning abilities to tackle an RPM
problem. PRD reframes the RPM problem into a relation comparison task, which we
can solve without requiring the labelling of the RPM problem. We can identify
the optimal candidate by adapting the application of PRD to the RPM problem.
Our approach, the PRD, establishes a new state-of-the-art unsupervised learning
benchmark with an accuracy of 55.9% on the I-RAVEN, presenting a significant
improvement and a step forward in equipping machines with abstract reasoning.
- Abstract（参考訳）: 具体的な観察に基づいて抽象概念を仮説化し、これらの仮説を適用して将来の行動を正当化する能力は、人類の発達において最重要である。
抽象推論能力を備えたインテリジェントマシンの配置に関する既存の研究は、Raven's Progressive Matrices (RPM) を中心に展開されている。
近年、RPMの解決に向けた指導的アプローチに多くのブレークスルーがあった。
しかし、このプロセスは外部の支援を必要とするため、機械が人間に匹敵する推論能力を達成したとは主張できない。
すなわち、RPMが行や列にしか存在しないというルールが適切に導入されれば、人間は監督や事前の経験なしにRPMの問題を解決することができる。
本稿では、RPM問題に取り組むのに十分な推論能力を持つ教師なしモデルを開発する手法である対関係判別器(PRD)を提案する。
PRDは、RPM問題を関係比較タスクに再構成し、RPM問題のラベル付けを必要とせずに解決する。
RPM問題へのPRDの適用により最適な候補を特定することができる。
我々のアプローチであるPRDは、I-RAVENで55.9%の精度で、新しい最先端の教師なし学習ベンチマークを確立し、抽象的推論を備えたマシンの装備において、大幅な改善と一歩前進を示す。
関連論文リスト
- Towards Generative Abstract Reasoning: Completing Raven's Progressive Matrix via Rule Abstraction and Selection [52.107043437362556]
Raven's Progressive Matrix (RPM) は、マシンインテリジェンスにおける抽象的な視覚的推論を探索するために広く使われている。
RPMテストの参加者は、属性変更ルールを推論し、組み合わせることで、強力な推論能力を示すことができる。
本稿では,ルール AbstractIon と Selection を用いて,回答生成問題に対する潜時変数モデルを提案する。
論文 参考訳（メタデータ） (2024-01-18T13:28:44Z) - Negotiated Reasoning: On Provably Addressing Relative
Over-Generalization [49.5896371203566]
過度に一般化することは認知科学における厄介な問題であり、人々は過去の経験のために過度に慎重になる可能性がある。
マルチエージェント強化学習(MARL)のエージェントも、人々が行うように相対的な過剰一般化(RO)に悩まされ、準最適協力に固執している。
近年, エージェントに対する推論能力の割り当てはアルゴリズム的にも経験的にもROを緩和できることが示されたが, ROの理論的理解は乏しい。
論文 参考訳（メタデータ） (2023-06-08T16:57:12Z) - Computational Models of Solving Raven's Progressive Matrices: A
Comprehensive Introduction [3.686658694960549]
Ravenのプログレッシブマトリックス(RPM)テストは、AIシステムにとって大きな課題となる。
RPMの解法には、1960年代から多くの計算モデルが存在する。
本稿では RPM を解くための計算モデルをオールインワンで提示する。
論文 参考訳（メタデータ） (2023-02-08T18:09:01Z) - Hierarchies of Reward Machines [75.55324974788475]
リワードマシン(Reward Machine, RM)は、有限状態機械による強化学習タスクの報酬関数を表現するための最近の形式である。
本稿では,RMを他のRMを呼ばせることによって,サブタスク構造をさらに抽象化する形式的手法を提案する。
論文 参考訳（メタデータ） (2022-05-31T12:39:24Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z) - Deep Learning Methods for Abstract Visual Reasoning: A Survey on Raven's
Progressive Matrices [0.0]
私たちは最も一般的なタスクタイプであるRavenのプログレッシブマトリックス(RPM)に注目し、RPMを解決するために適用される学習方法とディープニューラルネットワークのレビューを提供します。
本稿は,RPM研究の発見から実世界の問題がいかに恩恵を受けるかを示すことによって,論文を締めくくっている。
論文 参考訳（メタデータ） (2022-01-28T19:24:30Z) - Modeling Bounded Rationality in Multi-Agent Simulations Using Rationally
Inattentive Reinforcement Learning [85.86440477005523]
我々は、人間不合理性の確立されたモデルであるRational Inattention(RI)モデルを含む、より人間的なRLエージェントについて検討する。
RIRLは、相互情報を用いた認知情報処理のコストをモデル化する。
我々は、RIRLを用いることで、合理的な仮定の下で発見されたものと異なる、新しい平衡挙動の豊富なスペクトルが得られることを示す。
論文 参考訳（メタデータ） (2022-01-18T20:54:00Z) - One-shot Visual Reasoning on RPMs with an Application to Video Frame
Prediction [1.0932251830449902]
Raven's Progressive Matrices (RPM) は人間の視覚的推論能力を評価するために頻繁に用いられる。
本稿では,現実の視覚認識とそれに続く論理的推論タスクの課題に対処するために,ワンショットの人間理解可能なReaSoner(Os-HURS)を提案する。
論文 参考訳（メタデータ） (2021-11-24T06:51:38Z) - 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) - Self-supervised Representation Learning with Relative Predictive Coding [102.93854542031396]
Relative Predictive Coding(RPC)は、新しいコントラスト表現学習目標である。
RPCは、トレーニング安定性、ミニバッチサイズ感度、ダウンストリームタスクパフォーマンスのバランスが良好である。
ベンチマークビジョンと音声自己教師型学習タスクにおけるRPCの有効性を実証的に検証する。
論文 参考訳（メタデータ） (2021-03-21T01:04:24Z) - Multi-Label Contrastive Learning for Abstract Visual Reasoning [0.0]
Ravenのプログレッシブマトリクスを解く最先端のシステムは、大量のパターンベースのトレーニングとデータセットのバイアスを利用する。
人間は、解決すべきRPM(または一般的には視覚的推論タスク)の根底にあるルールや概念の識別に集中する。
本稿では,新しいトレーニングアルゴリズムに加えて,最先端性能に寄与する重要な要因であるRPMのスパースルール符号化方式を提案する。
論文 参考訳（メタデータ） (2020-12-03T14:18:15Z)
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。