論文の概要: Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution

• arxiv url: http://arxiv.org/abs/2103.14230v1
• Date: Fri, 26 Mar 2021 02:42:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 13:00:25.663803
• Title: Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution
• Title（参考訳）: 確率的推論と実行による抽象空間時間推論
• Authors: Chi Zhang, Baoxiong Jia, Song-Chun Zhu, Yixin Zhu
• Abstract要約: 時空間推論は人工知能(AI)の課題である 最近の研究は、この種の抽象的推論タスクに焦点を当てている -- Raven's Progressive Matrices (RPM) ニューロシンボリックな確率的アブダクションと実行学習者(PrAE)を提案する。
• 参考スコア（独自算出の注目度）: 97.50813120600026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial-temporal reasoning is a challenging task in Artificial Intelligence (AI) due to its demanding but unique nature: a theoretic requirement on representing and reasoning based on spatial-temporal knowledge in mind, and an applied requirement on a high-level cognitive system capable of navigating and acting in space and time. Recent works have focused on an abstract reasoning task of this kind -- Raven's Progressive Matrices (RPM). Despite the encouraging progress on RPM that achieves human-level performance in terms of accuracy, modern approaches have neither a treatment of human-like reasoning on generalization, nor a potential to generate answers. To fill in this gap, we propose a neuro-symbolic Probabilistic Abduction and Execution (PrAE) learner; central to the PrAE learner is the process of probabilistic abduction and execution on a probabilistic scene representation, akin to the mental manipulation of objects. Specifically, we disentangle perception and reasoning from a monolithic model. The neural visual perception frontend predicts objects' attributes, later aggregated by a scene inference engine to produce a probabilistic scene representation. In the symbolic logical reasoning backend, the PrAE learner uses the representation to abduce the hidden rules. An answer is predicted by executing the rules on the probabilistic representation. The entire system is trained end-to-end in an analysis-by-synthesis manner without any visual attribute annotations. Extensive experiments demonstrate that the PrAE learner improves cross-configuration generalization and is capable of rendering an answer, in contrast to prior works that merely make a categorical choice from candidates.
• Abstract（参考訳）: 空間的時間的推論(空間的時間的推論)は人工知能(AI)における課題であり、空間的時間的知識を念頭において表現し推論する理論的要件と、空間的・時間的に行動することのできる高レベルの認知システムに適用する理論的要件である。 近年、raven's progressive matrices (rpm) という抽象的推論タスクに焦点が当てられている。 人間のレベルパフォーマンスを精度で達成するRPMの進歩にもかかわらず、現代のアプローチでは、一般化に対する人間的な推論の扱いや、答えを生み出す可能性はない。 このギャップを埋めるために,神経共生的確率的アクダクション・実行(PrAE)学習者を提案する。PrAE学習者の中心は,物体の精神的操作に類似した確率的アクダクションと実行のプロセスである。 具体的には、モノリシックモデルから知覚と推論を遠ざけます。 ニューラル視覚のフロントエンドは、後にシーン推論エンジンによって集約されたオブジェクトの属性を予測し、確率的なシーン表現を生成する。 シンボリック論理推論バックエンドでは、PrAE学習者は、その表現を使って隠れたルールを推論する。 確率的表現のルールを実行して回答を予測する。 システム全体は、ビジュアル属性アノテーションなしで、分析的にエンドツーエンドに訓練されている。 広範な実験により、prae学習者は、候補からカテゴリ選択をするだけの先行研究とは対照的に、クロスコンフィグレーションの一般化を改善し、回答をレンダリングできることが示されている。

関連論文リスト

• A Feature-based Generalizable Prediction Model for Both Perceptual and Abstract Reasoning [1.0650780147044159]
  人間の知性の目印は、限られた経験から抽象的なルールを推論する能力である。 ディープラーニングの最近の進歩は、複数の人工知能ニューラルネットワークモデルが、人間のパフォーマンスにマッチしたり、超えたりしている。 本稿では,特徴検出,アフィン変換推定,探索を用いたルール検出と応用のためのアルゴリズム的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-08T19:26:30Z)
• A challenge in A(G)I, cybernetics revived in the Ouroboros Model as one algorithm for all thinking [0.0]
  論文の目的は、現在の人工知能アプローチの長所と短所を明らかにすることである。 サイバネティックスとアナログ制御プロセスの側面を新たに取り入れることが提案されている。
  論文  参考訳（メタデータ） (2024-03-07T07:39:54Z)
• 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)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
  本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。 この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。 実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
  論文  参考訳（メタデータ） (2022-04-17T11:21:18Z)
• Visual Abductive Reasoning [85.17040703205608]
  帰納的推論は、部分的な観察の可能な限りの可能な説明を求める。 本稿では,日常的な視覚的状況下でのマシンインテリジェンスの帰納的推論能力を調べるために,新たなタスクとデータセットであるVisual Abductive Reasoning(VAR)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T10:17:03Z)
• What does it mean to represent? Mental representations as falsifiable memory patterns [8.430851504111585]
  我々は、因果的および遠隔的アプローチは表現の十分な説明を提供していないと論じる。 我々は、どの表現が世界の推論された潜在構造に対応するかという選択肢をスケッチする。 これらの構造は客観的に特定の特性を持つと考えられており、予期せぬ事象の計画、予測、検出を可能にしている。
  論文  参考訳（メタデータ） (2022-03-06T12:52:42Z)
• Learning Algebraic Representation for Systematic Generalization in Abstract Reasoning [109.21780441933164]
  推論における体系的一般化を改善するためのハイブリッドアプローチを提案する。 我々はRaven's Progressive Matrices (RPM) の抽象的空間時間課題に対する代数的表現を用いたプロトタイプを紹介する。 得られた代数的表現は同型によって復号化して解を生成することができることを示す。
  論文  参考訳（メタデータ） (2021-11-25T09:56:30Z)

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。