論文の概要: A Neural Affinity Framework for Abstract Reasoning: Diagnosing the Compositional Gap in Transformer Architectures via Procedural Task Taxonomy

• arxiv url: http://arxiv.org/abs/2512.07109v1
• Date: Mon, 08 Dec 2025 02:46:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.684638
• Title: A Neural Affinity Framework for Abstract Reasoning: Diagnosing the Compositional Gap in Transformer Architectures via Procedural Task Taxonomy
• Title（参考訳）: 抽象推論のためのニューラル親和性フレームワーク:手続き的タスク分類によるトランスフォーマーアーキテクチャの構成ギャップの診断
• Authors: Miguel Ingram, Arthur Joseph Merritt,
• Abstract要約: ルールベースのコード分析によって97.5%の精度で検証された、全てのタスクの最初の9つのカテゴリの分類を提示する。 我々は、CNNを生のグリッドピクセルで訓練することにより、分類の視覚的コヒーレンスを証明する(S3の95.24%、全体的な36.25%、3.3倍の確率)。 カリキュラム分析の結果,トランスフォーマーに対する神経親和性が低いタスクの35.3%が明らかにされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Responding to Hodel et al.'s (2024) call for a formal definition of task relatedness in re-arc, we present the first 9-category taxonomy of all 400 tasks, validated at 97.5% accuracy via rule-based code analysis. We prove the taxonomy's visual coherence by training a CNN on raw grid pixels (95.24% accuracy on S3, 36.25% overall, 3.3x chance), then apply the taxonomy diagnostically to the original ARC-AGI-2 test set. Our curriculum analysis reveals 35.3% of tasks exhibit low neural affinity for Transformers--a distributional bias mirroring ARC-AGI-2. To probe this misalignment, we fine-tuned a 1.7M-parameter Transformer across 302 tasks, revealing a profound Compositional Gap: 210 of 302 tasks (69.5%) achieve >80% cell accuracy (local patterns) but <10% grid accuracy (global synthesis). This provides direct evidence for a Neural Affinity Ceiling Effect, where performance is bounded by architectural suitability, not curriculum. Applying our framework to Li et al.'s independent ViTARC study (400 specialists, 1M examples each) confirms its predictive power: Very Low affinity tasks achieve 51.9% versus 77.7% for High affinity (p<0.001), with a task at 0% despite massive data. The taxonomy enables precise diagnosis: low-affinity tasks (A2) hit hard ceilings, while high-affinity tasks (C1) reach 99.8%. These findings indicate that progress requires hybrid architectures with affinity-aligned modules. We release our validated taxonomy,
• Abstract（参考訳）: Hodel et al's (2024) に応答して、re-arcにおけるタスク関連性の正式な定義を要求し、ルールベースのコード解析を通じて97.5%の精度で検証された、400のタスクの9つのカテゴリの最初の分類を提示する。 我々は、CNNを生の格子画素(S3の95.24%、S3の36.25%、3.3倍の確率)で訓練し、診断学的にARC-AGI-2テストセットに適用することで、分類の視覚的コヒーレンスを証明する。 カリキュラム分析の結果,トランスフォーマーに対する神経親和性が低いタスクの35.3%が明らかにされた。 その結果,302タスクのうち210タスク(69.5%)が,80%のセル精度(局所パターン)を実現するが,10%のグリッド精度(グローバル合成)を実現していることがわかった。 これは、カリキュラムではなくアーキテクチャ上の適合性によってパフォーマンスが制限されるニューラルアフィニティ・シーリング効果の直接的な証拠を提供する。 非常に低いアフィニティタスクは51.9%、高いアフィニティ(p<0.001)は77.7%、大きなデータにもかかわらずタスクは0%である。 低親和性タスク(A2)は硬い天井に到達し、高親和性タスク(C1)は99.8%に達する。 これらの結果から,アフィニティ・アフィニティ・アフィニティ・アフィニティ・アフィニティ・モジュールを用いたハイブリッド・アーキテクチャが求められている。 私たちは検証された分類を公表します。

関連論文リスト

• Balanced Multi-Task Attention for Satellite Image Classification: A Systematic Approach to Achieving 97.23% Accuracy on EuroSAT Without Pre-Training [0.0]
  本研究は、衛星土地利用分類のための独自の畳み込みニューラルネットワークアーキテクチャを体系的に研究する。 事前訓練されたモデルに依存することなく、EuroSATデータセット上で97.23%のテスト精度を達成する。 我々の手法は、外部データを必要としない微調整されたResNet-50(98.57%)の1.34%で性能を達成する。
  論文  参考訳（メタデータ） (2025-10-17T10:59:24Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• Advanced Multi-Architecture Deep Learning Framework for BIRADS-Based Mammographic Image Retrieval: Comprehensive Performance Analysis with Super-Ensemble Optimization [0.0]
  マンモグラフィ画像検索システムでは、5つの異なるクラスにまたがる正確なBIRADSカテゴリマッチングが必要である。 現在の医用画像検索研究は方法論的限界に悩まされている。
  論文  参考訳（メタデータ） (2025-08-06T18:05:18Z)
• Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
  本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。 本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。 我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-27T19:13:15Z)
• Emotion Classification from Multi-Channel EEG Signals Using HiSTN: A Hierarchical Graph-based Spatial-Temporal Approach [0.0]
  本研究では,感情分類のためのパラメータ係数ネットワークを提案する。 このネットワークには、ボトムアップからさまざまな抽象化レベルで構築されたグラフ階層が組み込まれている。 平均F1スコアは96.82%(原子価)、95.62%(原子価)である。
  論文  参考訳（メタデータ） (2024-08-09T12:32:12Z)
• Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
  コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。 本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2024-08-08T01:31:38Z)
• Touch Analysis: An Empirical Evaluation of Machine Learning Classification Algorithms on Touch Data [7.018254711671888]
  個人を正しく分類するための新しいDeep Neural Net(DNN)アーキテクチャを提案する。 新機能と既存の機能を組み合わせると、SVMとkNNはそれぞれ94.7%と94.6%の分類精度を達成した。
  論文  参考訳（メタデータ） (2023-11-23T20:31:48Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Prompt-MIL: Boosting Multi-Instance Learning Schemes via Task-specific Prompt Tuning [31.0183821423397]
  全スライド画像(WSI)分類は、計算病理学において重要な課題である。 技術手法の現在の状況は、通常、インスタンスを表現するために事前訓練された機能に依存するマルチインスタンス学習スキーム(MIL)に基づいている。 本稿では,WSI 分類にプロンプトを統合する MIL フレームワーク Prompt-MIL を提案する。
  論文  参考訳（メタデータ） (2023-03-21T22:24:27Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
  我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。 タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
  論文  参考訳（メタデータ） (2020-07-16T15:07:14Z)

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。