論文の概要: ARC-AGI-2 Technical Report

• arxiv url: http://arxiv.org/abs/2603.06590v1
• Date: Wed, 04 Feb 2026 10:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.397227
• Title: ARC-AGI-2 Technical Report
• Title（参考訳）: ARC-AGI-2技術報告
• Authors: Wallyson Lemes de Oliveira, Mekhron Bobokhonov, Matteo Caorsi, Aldo Podestà, Gabriele Beltramo, Luca Crosato, Matteo Bonotto, Federica Cecchetto, Hadrien Espic, Dan Titus Salajan, Stefan Taga, Luca Pana, Joe Carthy,
• Abstract要約: ARC (Abstraction and Reasoning Corpus) はパターンマッチング以上の一般化を評価するために設計された。 本稿では、ニューラルネットワークと構造認識の事前処理とオンラインタスク適応を組み合わせることにより、ARC性能を向上させるトランスフォーマーベースシステムを提案する。
• 参考スコア（独自算出の注目度）: 0.0846998909761807
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Abstraction and Reasoning Corpus (ARC) is designed to assess generalization beyond pattern matching, requiring models to infer symbolic rules from very few examples. In this work, we present a transformer-based system that advances ARC performance by combining neural inference with structure-aware priors and online task adaptation. Our approach is built on four key ideas. First, we reformulate ARC reasoning as a sequence modeling problem using a compact task encoding with only 125 tokens, enabling efficient long-context processing with a modified LongT5 architecture. Second, we introduce a principled augmentation framework based on group symmetries, grid traversals, and automata perturbations, enforcing invariance to representation changes. Third, we apply test-time training (TTT) with lightweight LoRA adaptation, allowing the model to specialize to each unseen task by learning its transformation logic from demonstrations. Fourth, we design a symmetry-aware decoding and scoring pipeline that aggregates likelihoods across augmented task views, effectively performing ``multi-perspective reasoning'' over candidate solutions. We demonstrate that these components work synergistically: augmentations expand hypothesis space, TTT sharpens local reasoning, and symmetry-based scoring improves solution consistency. Our final system achieves a significant improvement over transformer baselines and surpasses prior neural ARC solvers, closing the gap toward human-level generalization.
• Abstract（参考訳）: ARC(Abstraction and Reasoning Corpus)は、パターンマッチング以外の一般化を評価するために設計されており、ごく少数の例から記号規則を推測する必要がある。 本研究では,ニューラルネットワークと構造認識の事前処理とオンラインタスク適応を組み合わせることにより,ARC性能を向上させるトランスフォーマーシステムを提案する。 私たちのアプローチは4つの重要なアイデアに基づいています。 まず,125個のトークンしか持たないコンパクトなタスク符号化を用いて,ARC推論をシーケンスモデリング問題として再構成し,LongT5アーキテクチャを改良した長文処理を実現する。 第2に,群対称性,グリッドトラバーサル,自動摂動に基づく拡張フレームワークを導入する。 第3に、テスト時間トレーニング(TTT)を軽量なLoRA適応に適用し、モデルがデモから変換ロジックを学習することで、未確認のタスクごとに特化できるようにする。 第4に、我々は、拡張タスクビューにまたがる確率を集約し、候補解に対して `multi-perspective reasoning'' を効果的に実行する対称性対応復号およびスコアリングパイプラインを設計する。 拡張は仮説空間を拡張し、TTTは局所的推論を鋭くし、対称性に基づくスコアリングは解の一貫性を向上させる。 最終システムは、トランスフォーマーベースラインよりも大幅に改善され、従来のニューラルARCソルバを超え、人間レベルの一般化に向けたギャップを埋める。

関連論文リスト

• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• Unified token representations for sequential decision models [0.07812854697536452]
  本稿では,復号,状態,アクションを単一トークンにマージし,シーケンス長とモデル複雑性を大幅に低減する統一トークン表現(UTR)を提案する。 我々は,変圧器とゲートCNNのバックボーン上に構築されたUDTとUDCの2つの変種を開発した。
  論文  参考訳（メタデータ） (2025-10-24T13:25:43Z)
• BERT4beam: Large AI Model Enabled Generalized Beamforming Optimization [77.17508487745026]
  本稿では,ビームフォーミング最適化のための大規模AIモデルについて検討する。 本稿では、BERT4エンコーダと呼ばれる変換器(BERT)からの双方向エンコーダ表現に基づく新しいフレームワークを提案する。 本フレームワークをベースとして,単一タスクとマルチタスクのビームフォーミング最適化のためのBERTベースの2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:49:29Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。