論文の概要: Computational Models of Solving Raven's Progressive Matrices: A Comprehensive Introduction

• arxiv url: http://arxiv.org/abs/2302.04238v1
• Date: Wed, 8 Feb 2023 18:09:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 15:17:17.869989
• Title: Computational Models of Solving Raven's Progressive Matrices: A Comprehensive Introduction
• Title（参考訳）: ラーヴェンの進歩行列の解法に関する計算モデル : 包括的序説
• Authors: Yuan Yang and Mathilee Kunda
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.686658694960549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As being widely used to measure human intelligence, Raven's Progressive Matrices (RPM) tests also pose a great challenge for AI systems. There is a long line of computational models for solving RPM, starting from 1960s, either to understand the involved cognitive processes or solely for problem-solving purposes. Due to the dramatic paradigm shifts in AI researches, especially the advent of deep learning models in the last decade, the computational studies on RPM have also changed a lot. Therefore, now is a good time to look back at this long line of research. As the title -- ``a comprehensive introduction'' -- indicates, this paper provides an all-in-one presentation of computational models for solving RPM, including the history of RPM, intelligence testing theories behind RPM, item design and automatic item generation of RPM-like tasks, a conceptual chronicle of computational models for solving RPM, which reveals the philosophy behind the technology evolution of these models, and suggestions for transferring human intelligence testing and AI testing.
• Abstract（参考訳）: 人間の知能を測定するために広く使用されているため、Ravenのプログレッシブマトリクス(RPM)テストもAIシステムにとって大きな課題となっている。 1960年代からは、関連する認知プロセスを理解するために、あるいは問題解決のためにのみ、RPMを解くための長い計算モデルが存在する。 ai研究における劇的なパラダイムシフト、特に過去10年間のディープラーニングモデルの出現により、rpmに関する計算研究も大きく変化した。 だから今こそ、この長期にわたる研究を振り返る好機だ。 包括的導入」という題名で、rpmの解法として、rpmの歴史、rpmの背後にある知性テスト理論、rpmのようなタスクの項目設計と自動アイテム生成、rpmの解法のための計算モデルに関する概念年代記、これらのモデルの技術的進化の背景にある哲学を明らかにし、人間知能テストとaiテストの転送を提案する。

関連論文リスト

• Diffusion Model as Representation Learner [86.09969334071478]
  Diffusion Probabilistic Models (DPMs) は、最近、様々な生成タスクにおいて顕著な結果を示した。 本稿では,DPMが獲得した知識を認識タスクに活用する新しい知識伝達手法を提案する。
  論文  参考訳（メタデータ） (2023-08-21T00:38:39Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• A Survey of Machine Unlearning [56.017968863854186]
  最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。 MLモデルは古いデータをよく記憶します。 機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
  論文  参考訳（メタデータ） (2022-09-06T08:51:53Z)
• A Survey on Non-Autoregressive Generation for Neural Machine Translation and Beyond [145.43029264191543]
  非自己回帰(NAR)生成は推論を高速化するために機械翻訳(NMT)で最初に提案される。 NAR生成は機械翻訳を著しく加速させるが、自己回帰(AR)生成の推論は翻訳精度を犠牲にする。 NAR生成とAR生成の精度ギャップを埋めるために、多くの新しいモデルとアルゴリズムが設計/提案されている。
  論文  参考訳（メタデータ） (2022-04-20T07:25:22Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• 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)
• 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)
• 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)
• Pairwise Relations Discriminator for Unsupervised Raven's Progressive Matrices [7.769102711230249]
  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。
  論文  参考訳（メタデータ） (2020-11-02T20:49:46Z)
• 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)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。