論文の概要: DIRCR: Dual-Inference Rule-Contrastive Reasoning for Solving RAVENs

• arxiv url: http://arxiv.org/abs/2604.17584v1
• Date: Sun, 19 Apr 2026 19:15:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.593739
• Title: DIRCR: Dual-Inference Rule-Contrastive Reasoning for Solving RAVENs
• Title（参考訳）: DIRCR: 二重推論規則-矛盾推論によるRAVENの解法
• Authors: Jiachen Zhang, Chengtai Li, Jianfeng Ren, Linlin Shen, Zheng Lu, Ruibin Bai,
• Abstract要約: 本稿ではDIRCR(Dual-Inference Rule-Contrastive Reasoning)モデルを提案する。 そのコアコンポーネントであるDual-Inference Reasoning Moduleは、行のアナログ推論のローカルパスと、全体的推論のグローバルパスを組み合わせたものだ。 3つのRAVENデータセットの実験結果から、DIRCRはロバストネスと一般化を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 53.41360935117212
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Abstract visual reasoning remains challenging as existing methods often prioritize either global context or local row-wise relations, failing to integrate both, and lack intermediate feature constraints, leading to incomplete rule capture and entangled representations. To address these issues, we propose the Dual-Inference Rule-Contrastive Reasoning (DIRCR) model. Its core component, the Dual-Inference Reasoning Module, combines a local path for row-wise analogical reasoning and a global path for holistic inference, integrated via a gated attention mechanism. Additionally, a Rule-Contrastive Learning Module introduces pseudo-labels to construct positive and negative rule samples, applying contrastive learning to enhance feature separability and promote abstract, transferable rule learning. Experimental results on three RAVEN datasets demonstrate that DIRCR significantly enhances reasoning robustness and generalization. Codes are available at https://github.com/csZack-Zhang/DIRCR.
• Abstract（参考訳）: 抽象的な視覚的推論は、既存のメソッドがグローバルなコンテキストまたはローカルな行関係を優先し、両方の統合に失敗し、中間的な制約が欠如し、不完全なルールキャプチャと絡み合った表現につながるため、依然として困難である。 これらの問題に対処するため、DIRCRモデルを提案する。 そのコアコンポーネントであるデュアル推論推論モジュール(Dual-Inference Reasoning Module)は、行のアナログ推論のローカルパスと、ゲートアテンション機構を通じて統合された全体推論のグローバルパスを組み合わせたものだ。 さらに、ルールコントラスト学習モジュールは擬似ラベルを導入し、正負のルールサンプルを構築し、対照的な学習を適用して特徴分離性を高め、抽象的で伝達可能なルール学習を促進する。 3つのRAVENデータセットの実験結果から、DIRCRは推論の堅牢性や一般化を著しく向上させることが示された。 コードはhttps://github.com/csZack-Zhang/DIRCRで入手できる。

関連論文リスト

• R-C2: Cycle-Consistent Reinforcement Learning Improves Multimodal Reasoning [20.899863841051662]
  クロスモーダルな不整合は、学習のための豊かで自然な信号を提供する。 我々は、クロスモーダルサイクルの一貫性を強制することによって内部衝突を解決する強化学習フレームワークRC2を紹介する。 我々の結果は、高度な推論は、データのスケーリングだけでなく、構造的に一貫した世界を理解することによっても現れることを示唆している。
  論文  参考訳（メタデータ） (2026-03-26T17:58:04Z)
• Reforming the Mechanism: Editing Reasoning Patterns in LLMs with Circuit Reshaping [51.33479921152361]
  大規模言語モデル(LLM)は、信頼性を損なう欠点のある推論能力を示すことが多い。 推論を改善する既存のアプローチは一般的に、一般的なモノリシックなスキルとして扱い、非効率で特定の推論エラーをターゲットできない広範囲なトレーニングを適用する。 本稿では,LLMにおける特定の推論パターンを選択的に修正し,他の推論経路を保存するためのパラダイムであるReasoning Editingを紹介する。
  論文  参考訳（メタデータ） (2026-03-06T22:51:39Z)
• Deep Regression Representation Learning with Topology [57.203857643599875]
  回帰表現の有効性は,そのトポロジによってどのように影響されるかを検討する。 本稿では,特徴空間の内在次元と位相を対象空間と一致させる正則化器PH-Regを紹介する。 合成および実世界の回帰タスクの実験はPH-Regの利点を示している。
  論文  参考訳（メタデータ） (2024-04-22T06:28:41Z)
• 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)
• Learning First-Order Rules with Relational Path Contrast for Inductive Relation Reasoning [8.344644072431898]
  グラフ畳み込みネットワーク (GCN) を用いた関係経路のコントラストを考慮した帰納的推論法を提案する。 RPC-IRはまず2つのエンティティ間のリレーショナルパスを抽出し、それらの表現を学習し、革新的にコントラスト戦略を導入する。
  論文  参考訳（メタデータ） (2021-10-17T12:39:01Z)

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。