論文の概要: Towards Generative Abstract Reasoning: Completing Raven's Progressive
Matrix via Rule Abstraction and Selection
- arxiv url: http://arxiv.org/abs/2401.09966v1
- Date: Thu, 18 Jan 2024 13:28:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 16:34:18.418708
- Title: Towards Generative Abstract Reasoning: Completing Raven's Progressive
Matrix via Rule Abstraction and Selection
- Title（参考訳）: 生成的抽象推論に向けて:ルール抽象化と選択によるRavenのプログレッシブマトリックスの補完
- Authors: Fan Shi, Bin Li, Xiangyang Xue
- Abstract要約: Ravenのプログレッシブマトリックスは、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。
参加者は、基本的な属性変更ルールを推測することで、強力な推論能力を示すことができる。
本稿では,潜在空間におけるルール AbstractIon と Selection を用いて,回答生成問題を解決する条件生成モデルを提案する。
- 参考スコア（独自算出の注目度）: 58.56309492299028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Endowing machines with abstract reasoning ability has been a long-term
research topic in artificial intelligence. Raven's Progressive Matrix (RPM) is
widely used to probe abstract visual reasoning in machine intelligence, where
models need to understand the underlying rules and select the missing
bottom-right images out of candidate sets to complete image matrices. The
participators can display powerful reasoning ability by inferring the
underlying attribute-changing rules and imagining the missing images at
arbitrary positions. However, existing solvers can hardly manifest such an
ability in realistic RPM problems. In this paper, we propose a conditional
generative model to solve answer generation problems through Rule AbstractIon
and SElection (RAISE) in the latent space. RAISE encodes image attributes as
latent concepts and decomposes underlying rules into atomic rules by means of
concepts, which are abstracted as global learnable parameters. When generating
the answer, RAISE selects proper atomic rules out of the global knowledge set
for each concept and composes them into the integrated rule of an RPM. In most
configurations, RAISE outperforms the compared generative solvers in tasks of
generating bottom-right and arbitrary-position answers. We test RAISE in the
odd-one-out task and two held-out configurations to demonstrate how learning
decoupled latent concepts and atomic rules helps find the image breaking the
underlying rules and handle RPMs with unseen combinations of rules and
attributes.
- Abstract（参考訳）: 抽象的推論能力を持つエンドウイングマシンは、人工知能における長期的な研究テーマである。
Ravenのプログレッシブマトリックス(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用いられている。
参加者は、基礎となる属性変更ルールを推測し、不足した画像を任意の位置に想像することで、強力な推論能力を示すことができる。
しかし、既存の解法は現実的なRPM問題においてそのような能力を示すことはほとんどできない。
本稿では,潜伏空間におけるルール抽象表現と選択(RAISE)を用いて,回答生成問題を解決する条件生成モデルを提案する。
RAISEはイメージ属性を潜在概念としてエンコードし、概念によって基本ルールをアトミックルールに分解し、グローバルな学習可能なパラメータとして抽象化する。
回答を生成する際、RAISEは概念ごとに設定されたグローバルな知識から適切な原子規則を選択し、それらをRPMの統合ルールに構成する。
ほとんどの構成では、upは、ボトム右と任意の位置の回答を生成するタスクにおいて比較生成ソルバよりも優れています。
我々はRAISEを奇抜なワンアウトタスクと2つのホールドアウト構成でテストし、学習が遅延概念とアトミックルールを分離して、基盤となるルールを破るイメージを見つけ出し、ルールと属性の見当たらない組み合わせでRPMを処理する方法を示す。
関連論文リスト
- Learning Abstract Visual Reasoning via Task Decomposition: A Case Study
in Raven Progressive Matrices [0.24475591916185496]
Raven Progressive Matrices(source)では、タスクは、与えられたコンテキストで利用可能な答えの1つを選択することである。
本研究では,変圧器の青写真に基づくディープラーニングアーキテクチャを提案する。
この方法で得られた多次元の予測は、その答えを選択するために直接近似される。
論文 参考訳（メタデータ） (2023-08-12T11:02:21Z) - Abstracting Concept-Changing Rules for Solving Raven's Progressive
Matrix Problems [54.26307134687171]
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。
論文 参考訳（メタデータ） (2023-07-15T07:16:38Z) - Understanding Masked Autoencoders via Hierarchical Latent Variable
Models [109.35382136147349]
Masked Autoencoder (MAE) は近年,様々な視覚タスクにおいて顕著な成功を収めている。
MAEに関する興味深い経験的観察の出現にもかかわらず、理論的に原理化された理解はいまだに欠如している。
論文 参考訳（メタデータ） (2023-06-08T03:00:10Z) - 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) - Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。
2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。
この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
論文 参考訳（メタデータ） (2022-07-19T03:31:13Z) - 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) - 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)
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。