論文の概要: Visual-Imagery-Based Analogical Construction in Geometric Matrix Reasoning Task

• arxiv url: http://arxiv.org/abs/2208.13841v1
• Date: Mon, 29 Aug 2022 19:09:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 12:54:54.310649
• Title: Visual-Imagery-Based Analogical Construction in Geometric Matrix Reasoning Task
• Title（参考訳）: 幾何行列推論タスクにおける視覚画像に基づくアナロジー構成
• Authors: Yuan Yang, Keith McGreggor, Maithilee Kunda
• Abstract要約: 本稿では、類似や画像変換を用いてRavenの進歩行列を解くための一連の計算モデルを提案する。 これらのモデルは、RavenのProgressive Matricesの標準バージョンでテストされています。
• 参考スコア（独自算出の注目度）: 4.280879337437029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Raven's Progressive Matrices is a family of classical intelligence tests that have been widely used in both research and clinical settings. There have been many exciting efforts in AI communities to computationally model various aspects of problem solving such figural analogical reasoning problems. In this paper, we present a series of computational models for solving Raven's Progressive Matrices using analogies and image transformations. We run our models following three different strategies usually adopted by human testees. These models are tested on the standard version of Raven's Progressive Matrices, in which we can solve 57 out 60 problems in it. Therefore, analogy and image transformation are proved to be effective in solving RPM problems.
• Abstract（参考訳）: Raven's Progressive Matricesは、研究と臨床の両方で広く使われている古典的な知能検査のファミリーである。 aiコミュニティでは、このような類推的な問題解決の様々な側面を計算的にモデル化するエキサイティングな取り組みが数多く行われている。 本稿では,類似や画像変換を用いて,Ravenのプログレッシブ行列を解くための一連の計算モデルを提案する。 私たちは通常、人間のテスターが採用する3つの戦略に従ってモデルを運用します。 これらのモデルは、ravenのプログレッシブ行列の標準版でテストされ、そこでは60のうち57の問題を解くことができる。 したがって、アナログや画像変換はRPM問題の解決に有効であることが証明された。

関連論文リスト

• Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
  GMLM(Generative Masked Language Models)に焦点を当てる。 我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。 我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
  論文  参考訳（メタデータ） (2024-07-22T18:00:00Z)
• Convergence Properties of Score-Based Models for Linear Inverse Problems Using Graduated Optimisation [44.99833362998488]
  本稿では,スコアベース生成モデル(SGM)を用いて逆問題の解法を提案する。 初期値とは無関係に,高Ms画像の復元が可能であることを示す。 ソースはGitHubで公開されている。
  論文  参考訳（メタデータ） (2024-04-29T13:47:59Z)
• ViTCN: Vision Transformer Contrastive Network For Reasoning [15.240082760651987]
  本稿では,機械学習モデルの抽象推論能力をテストするために,RAVENというデータセットを提案する。 本稿では,Contrastive Perceptual Inference Network (CoPiNet) を用いた以前の研究を基に構築した視覚変換器コントラストネットワークを提案する。 この統合は、RAVENデータセット上のピクセルレベルの入力とグローバルワイズ機能から空間時間情報を処理し、推論するマシン能力をさらに強化することを目的としている。
  論文  参考訳（メタデータ） (2024-03-15T02:01:14Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
  3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。 これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。 実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
  論文  参考訳（メタデータ） (2023-05-29T23:24:14Z)
• A Causal Framework to Quantify the Robustness of Mathematical Reasoning with Language Models [81.15974174627785]
  入力空間における直接的介入に対する頑健さと感度の観点から言語モデルの振舞いについて検討する。 しかし, GPT-3 Davinciモデル(175B)は, 他のGPTモデルと比較して, 頑健さと感度の両面で劇的な改善を実現している。
  論文  参考訳（メタデータ） (2022-10-21T15:12:37Z)
• A Novel Plug-and-Play Approach for Adversarially Robust Generalization [38.72514422694518]
  本稿では,MLモデルを摂動テストデータから保護するために,逆向きに堅牢なトレーニングを採用する頑健なフレームワークを提案する。 私たちの貢献は、計算学と統計学の両方の観点から見ることができます。
  論文  参考訳（メタデータ） (2022-08-19T17:02:55Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• Raven's Progressive Matrices Completion with Latent Gaussian Process Priors [42.310737373877714]
  Raven's Progressive Matrices (RPM) はヒトIQテストで広く用いられている。 本稿では,複数のガウス過程を潜在変数の事前として用いる,深い潜在変数モデルを提案する。 連続的に変化する複数の視覚概念を持つRPM型データセット上で,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-03-22T17:48:44Z)
• Generating Correct Answers for Progressive Matrices Intelligence Tests [88.78821060331582]
  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。
  論文  参考訳（メタデータ） (2020-11-01T13:21:07Z)

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。