論文の概要: ShapeCoder: Discovering Abstractions for Visual Programs from
Unstructured Primitives
- arxiv url: http://arxiv.org/abs/2305.05661v1
- Date: Tue, 9 May 2023 17:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 11:53:07.749091
- Title: ShapeCoder: Discovering Abstractions for Visual Programs from
Unstructured Primitives
- Title（参考訳）: ShapeCoder: 構造化されていないプリミティブから視覚プログラムの抽象化を発見する
- Authors: R. Kenny Jones and Paul Guerrero and Niloy J. Mitra and Daniel Ritchie
- Abstract要約: 形状のデータセットを非構造化プリミティブで表現できる最初のシステムであるShapeCoderを提案する。
ShapeCoderは、ハイレベルな関係をキャプチャし、外部自由度を排除し、より良いデータセット圧縮を実現する抽象化ライブラリの発見方法を示す。
- 参考スコア（独自算出の注目度）: 44.01940125080666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Programs are an increasingly popular representation for visual data, exposing
compact, interpretable structure that supports manipulation. Visual programs
are usually written in domain-specific languages (DSLs). Finding "good"
programs, that only expose meaningful degrees of freedom, requires access to a
DSL with a "good" library of functions, both of which are typically authored by
domain experts. We present ShapeCoder, the first system capable of taking a
dataset of shapes, represented with unstructured primitives, and jointly
discovering (i) useful abstraction functions and (ii) programs that use these
abstractions to explain the input shapes. The discovered abstractions capture
common patterns (both structural and parametric) across the dataset, so that
programs rewritten with these abstractions are more compact, and expose fewer
degrees of freedom. ShapeCoder improves upon previous abstraction discovery
methods, finding better abstractions, for more complex inputs, under less
stringent input assumptions. This is principally made possible by two
methodological advancements: (a) a shape to program recognition network that
learns to solve sub-problems and (b) the use of e-graphs, augmented with a
conditional rewrite scheme, to determine when abstractions with complex
parametric expressions can be applied, in a tractable manner. We evaluate
ShapeCoder on multiple datasets of 3D shapes, where primitive decompositions
are either parsed from manual annotations or produced by an unsupervised cuboid
abstraction method. In all domains, ShapeCoder discovers a library of
abstractions that capture high-level relationships, remove extraneous degrees
of freedom, and achieve better dataset compression compared with alternative
approaches. Finally, we investigate how programs rewritten to use discovered
abstractions prove useful for downstream tasks.
- Abstract（参考訳）: プログラムは、操作をサポートするコンパクトで解釈可能な構造を公開し、視覚データに対する人気が高まっている。
ビジュアルプログラムは通常ドメイン固有言語(DSL)で記述される。
有意義な自由度しか公開しない"良い"プログラムを見つけるには、ドメインの専門家によって一般的に作成される"良い"関数のライブラリを持つDSLにアクセスする必要がある。
形状のデータセットを抽出し、非構造化プリミティブで表現し、共同で発見できる最初のシステムであるShapeCoderを提案する。
(i)有用な抽象機能、及び
(ii)これらの抽象化を用いて入力形状を説明するプログラム。
発見された抽象化はデータセット全体にわたる共通パターン(構造とパラメトリックの両方)をキャプチャするので、これらの抽象化で書き直されたプログラムはよりコンパクトで、自由度が低い。
shapecoderは、より厳密な入力仮定の下で、より複雑な入力のために、以前の抽象化発見メソッドを改善し、より良い抽象化を見つける。
これは主に2つの方法論的進歩によって可能である。
(a)サブ問題を解くことを学ぶプログラム認識ネットワークの形状
b) 複雑なパラメトリック表現を用いた抽象化がいつ適用できるかを, 抽出可能な方法で決定するために, 条件付き書き直し方式で拡張した電子グラフを使用すること。
プリミティブな分解を手動のアノテーションから解析するか、教師なしの立方体抽象法で生成するかで、複数の3次元形状のデータセット上でShapeCoderを評価する。
すべてのドメインにおいて、ShapeCoderは、ハイレベルな関係をキャプチャし、余分な自由度を排除し、代替アプローチよりも優れたデータセット圧縮を実現する抽象化ライブラリを見つける。
最後に,検出された抽象化を用いたプログラムの書き直しが下流タスクに有用であることを示す。
関連論文リスト
- How to Handle Sketch-Abstraction in Sketch-Based Image Retrieval? [120.49126407479717]
スケッチの抽象化を様々なレベルで処理できるスケッチベース画像検索フレームワークを提案する。
粒度レベルの抽象理解のために、検索モデルはすべての抽象レベルを等しく扱ってはならないと規定する。
私たちのAcc.@qの損失は、評価がいかに厳格であるかという点で、スケッチが焦点を絞りたり壊したりできます。
論文 参考訳（メタデータ） (2024-03-11T23:08:29Z) - ReGAL: Refactoring Programs to Discover Generalizable Abstractions [59.05769810380928]
Generalizable Abstraction Learning (ReGAL)は、再利用可能な関数のライブラリをコード化して学習する手法である。
ReGALによって発見された共有関数ライブラリは、プログラムが様々な領域で容易に予測できることを示している。
CodeLlama-13Bでは、ReGALはLOGOで11.5%、日付理解で26.1%、TextCraftで8.1%という絶対精度が向上し、3つのドメインのうち2つでGPT-3.5を上回った。
論文 参考訳（メタデータ） (2024-01-29T18:45:30Z) - AbsPyramid: Benchmarking the Abstraction Ability of Language Models with a Unified Entailment Graph [62.685920585838616]
抽象能力は人間の知性において必須であり、言語モデルでは未探索のままである。
本稿では、抽象知識の221Kテキスト記述を統一したエンテーメントグラフであるAbsPyramidを提案する。
論文 参考訳（メタデータ） (2023-11-15T18:11:23Z) - Top-Down Synthesis for Library Learning [46.285220926554345]
コーパス誘導トップダウン合成は、プログラムのコーパスから共通機能をキャプチャするライブラリ関数を合成するメカニズムである。
本稿では,この手法をStitchと呼ばれるツールに実装し,DreamCoderの最先端の推論ライブラリ学習アルゴリズムに対して評価する。
論文 参考訳（メタデータ） (2022-11-29T21:57:42Z) - Graphs, Constraints, and Search for the Abstraction and Reasoning Corpus [19.27379168184259]
ARC(Abstraction and Reasoning Corpus)は、汎用人工知能アルゴリズムのパフォーマンスをベンチマークすることを目的としている。
ARCは広範な一般化と少数ショットの学習に重点を置いているため、純粋な機械学習を使って解決することは不可能である。
本稿では,グラフを用いた画像の表現と,正しいプログラムの検索を行う新しいオブジェクト中心のフレームワークである,グラフ抽象化を用いた抽象推論を提案する。
論文 参考訳（メタデータ） (2022-10-18T14:13:43Z) - MDP Abstraction with Successor Features [14.433551477386318]
本研究では,エージェントが状態や時間的抽象化を行う強化学習の文脈における抽象化について検討する。
本研究では,後継機能に基づく新しい抽象スキームである後継抽象化を提案する。
我々の後継抽象化は、異なる環境間で伝達可能なセマンティクスで抽象環境モデルを学習することを可能にする。
論文 参考訳（メタデータ） (2021-10-18T11:35:08Z) - Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。
最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
論文 参考訳（メタデータ） (2021-06-18T15:08:47Z) - Towards a Mathematical Theory of Abstraction [0.0]
抽象化とは何か、そしておそらくもっと重要なのは、データから直接抽象化がどのように学習できるかを示唆する正確な特徴付けを提供します。
この結果は統計的推論や機械学習に深く影響し,データから直接正確な抽象化を学習するための明示的な手法の開発に利用することができる。
論文 参考訳（メタデータ） (2021-06-03T13:23:49Z)
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。