論文の概要: Abstracting Concept-Changing Rules for Solving Raven's Progressive Matrix Problems

• arxiv url: http://arxiv.org/abs/2307.07734v1
• Date: Sat, 15 Jul 2023 07:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 18:07:17.477043
• Title: Abstracting Concept-Changing Rules for Solving Raven's Progressive Matrix Problems
• Title（参考訳）: Ravenのプログレッシブマトリックス問題の解法における概念整合則の抽象化
• Authors: Fan Shi, Bin Li, Xiangyang Xue
• Abstract要約: Raven's Progressive Matrix (RPM) は、候補者の中から選択することで、機械知能においてそのような能力を実現する古典的なテストである。 近年の研究では、RPMの解法はルールの深い理解を促進することが示唆されている。 本稿では、解釈可能な概念を学習し、潜在空間における概念変更ルールを解析することにより、概念変更ルールABstraction(CRAB)の潜時変数モデルを提案する。
• 参考スコア（独自算出の注目度）: 54.26307134687171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The abstract visual reasoning ability in human intelligence benefits discovering underlying rules in the novel environment. Raven's Progressive Matrix (RPM) is a classic test to realize such ability in machine intelligence by selecting from candidates. Recent studies suggest that solving RPM in an answer-generation way boosts a more in-depth understanding of rules. However, existing generative solvers cannot discover the global concept-changing rules without auxiliary supervision (e.g., rule annotations and distractors in candidate sets). To this end, we propose a deep latent variable model for Concept-changing Rule ABstraction (CRAB) by learning interpretable concepts and parsing concept-changing rules in the latent space. With the iterative learning process, CRAB can automatically abstract global rules shared on the dataset on each concept and form the learnable prior knowledge of global rules. CRAB outperforms the baselines trained without auxiliary supervision in the arbitrary-position answer generation task and achieves comparable and even higher accuracy than the compared models trained with auxiliary supervision. Finally, we conduct experiments to illustrate the interpretability of CRAB in concept learning, answer selection, and global rule abstraction.
• Abstract（参考訳）: 人間の知性における抽象的な視覚的推論能力は、新しい環境における基礎となるルールの発見に役立つ。 Raven's Progressive Matrix (RPM) は、候補者の中から選択することで、機械知能においてそのような能力を実現する古典的なテストである。 近年の研究では、RPMの解法はルールの深い理解を促進することが示唆されている。 しかし、既存の生成的解法は、補助的な監督なしにグローバルな概念変更規則を発見できない(例えば、規則アノテーションや候補集合の邪魔者)。 そこで本研究では,解釈可能な概念を学習し,潜在空間における概念変更ルールを解析することにより,概念変更ルールABstraction(CRAB)の潜時変数モデルを提案する。 反復学習プロセスでは、各コンセプトのデータセットで共有されるグローバルルールを自動的に抽象化し、グローバルルールの学習可能な事前知識を形成することができる。 CRABは、任意の位置答え生成タスクにおいて補助的な監督なしに訓練されたベースラインを上回り、補助的な監督によって訓練されたモデルと比較されたモデルと同等かつ高い精度で達成する。 最後に,概念学習,回答選択,グローバルルール抽象化におけるCRABの解釈可能性を示す実験を行った。

関連論文リスト

• Incorporating Expert Rules into Neural Networks in the Framework of Concept-Based Learning [2.9370710299422598]
  論理規則とニューラルネットワークを組み合わせて概念の確率を予測する方法が提案されている。 提案する課題の解決とニューラルネットワークのトレーニングに,いくつかのアプローチを提案する。 提案されたアルゴリズムのコードは公開されている。
  論文  参考訳（メタデータ） (2024-02-22T17:33:49Z)
• 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)
• Interpretable Neural-Symbolic Concept Reasoning [7.1904050674791185]
  概念に基づくモデルは、人間の理解可能な概念のセットに基づいてタスクを学習することでこの問題に対処することを目的としている。 本稿では,概念埋め込みに基づく最初の解釈可能な概念ベースモデルであるDeep Concept Reasoner (DCR)を提案する。
  論文  参考訳（メタデータ） (2023-04-27T09:58:15Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)
• DAReN: A Collaborative Approach Towards Reasoning And Disentangling [27.50150027974947]
  本稿では,2つのタスクを協調的に改善するために,帰納的バイアスの弱い形式を活用する,エンドツーエンドの共同表現推論学習フレームワークを提案する。 GM-RPMの原理に基づくDAReN(Disentangling based Abstract Reasoning Network)を用いてこれを実現した。
  論文  参考訳（メタデータ） (2021-09-27T16:10:30Z)
• Unsupervised Discriminative Embedding for Sub-Action Learning in Complex Activities [54.615003524001686]
  本稿では,複雑な活動における教師なしサブアクション学習の新たなアプローチを提案する。 提案手法は,視覚表現と時間表現の両方を,サブアクションを識別的に学習する潜在空間にマッピングする。 視覚-時空間埋め込みと判別的潜在概念の組み合わせにより,教師なし設定でロバストな動作表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-30T20:07:27Z)
• Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution [97.50813120600026]
  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。
  論文  参考訳（メタデータ） (2021-03-26T02:42:18Z)
• 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)

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。