論文の概要: Unsupervised Abstract Reasoning for Raven's Problem Matrices

• arxiv url: http://arxiv.org/abs/2109.10011v1
• Date: Tue, 21 Sep 2021 07:44:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:38:52.944961
• Title: Unsupervised Abstract Reasoning for Raven's Problem Matrices
• Title（参考訳）: raven問題行列に対する教師なし抽象推論
• Authors: Tao Zhuo, Qiang Huang, and Mohan Kankanhalli
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.278113063631643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raven's Progressive Matrices (RPM) is highly correlated with human intelligence, and it has been widely used to measure the abstract reasoning ability of humans. In this paper, to study the abstract reasoning capability of deep neural networks, we propose the first unsupervised learning method for solving RPM problems. Since the ground truth labels are not allowed, we design a pseudo target based on the prior constraints of the RPM formulation to approximate the ground truth label, which effectively converts the unsupervised learning strategy into a supervised one. However, the correct answer is wrongly labelled by the pseudo target, and thus the noisy contrast will lead to inaccurate model training. To alleviate this issue, we propose to improve the model performance with negative answers. Moreover, we develop a decentralization method to adapt the feature representation to different RPM problems. Extensive experiments on three datasets demonstrate that our method even outperforms some of the supervised approaches. Our code is available at https://github.com/visiontao/ncd.
• Abstract（参考訳）: Raven's Progressive Matrices (RPM) は人間の知能と強く相関しており、人間の抽象的推論能力を測定するために広く用いられている。 本稿では,深層ニューラルネットワークの抽象的推論能力を検討するために,RPM問題の解法として初めて教師なし学習法を提案する。 基底真理ラベルは許可されていないので、rpmの定式化の事前の制約に基づいて擬似目標を設計して基底真理ラベルを近似し、教師なし学習戦略を教師なしのものに効果的に変換する。 しかし、正しい答えは疑似目標によって誤ってラベル付けされるため、ノイズの強いコントラストは不正確なモデルトレーニングにつながる。 この問題を軽減するため,ネガティブな回答でモデル性能を改善することを提案する。 さらに,特徴表現を異なるRPM問題に適応させる分散化手法を開発した。 3つのデータセットに対する大規模な実験は、我々の手法が教師付きアプローチよりも優れていることを示している。 私たちのコードはhttps://github.com/visiontao/ncdで利用可能です。

関連論文リスト

• Black-box Adversarial Attacks against Dense Retrieval Models: A Multi-view Contrastive Learning Method [115.29382166356478]
  本稿では,敵探索攻撃(AREA)タスクを紹介する。 DRモデルは、DRモデルによって取得された候補文書の初期セットの外側にあるターゲット文書を取得するように、DRモデルを騙すことを目的としている。 NRM攻撃で報告された有望な結果は、DRモデルに一般化されない。 マルチビュー表現空間における対照的な学習問題として,DRモデルに対する攻撃を形式化する。
  論文  参考訳（メタデータ） (2023-08-19T00:24:59Z)
• Multi-Viewpoint and Multi-Evaluation with Felicitous Inductive Bias Boost Machine Abstract Reasoning Ability [6.33280703577189]
  帰納的バイアス,意図的設計,あるいはセレンディピティ的に一致したエンドツーエンドのニューラルネットワークは,RPM問題を解くことができることを示す。 我々の研究は、多面的評価を伴うマルチ視点が、推論を成功させるための重要な学習戦略であることも明らかにしている。 これらの結果は、認識を超えて、抽象的推論に向けたAIの能力の検査として役立ちたいと思っています。
  論文  参考訳（メタデータ） (2022-10-26T17:15:44Z)
• 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)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Robust Predictable Control [149.71263296079388]
  提案手法は,従来の手法よりもはるかに厳密な圧縮を実現し,標準的な情報ボトルネックよりも最大5倍高い報酬が得られることを示す。 また,本手法はより堅牢で,新しいタスクをより一般化したポリシーを学習することを示す。
  論文  参考訳（メタデータ） (2021-09-07T17:29:34Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• 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)
• 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)
• Solving Raven's Progressive Matrices with Neural Networks [10.675709291797535]
  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。
  論文  参考訳（メタデータ） (2020-02-05T05:18:02Z)

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。