Intrinsic Physical Concepts Discovery with Object-Centric Predictive Models

要約

観察することで抽象的な物理概念を発見し、それが世界でどのように作用するかを理解する能力は、人間の知能の中核に位置する。この能力の獲得は、教師なしでのオブジェクトと関係という観点から環境を構成的に知覚することに基づいている。最近のアプローチでは、オブジェクト中心の表現を学習し、オブジェクトの視覚的に観察可能な概念（例えば、形状、サイズ、位置）を捉える。本論文では、一歩進んで、質量や電荷のような本質的な物理的概念を発見し、表現することを試みている。本論文では、異なる抽象レベルの物理概念を監視なしに推論するシステムであるPHYsical Concepts Inference NEtwork (PHYCINE)を紹介する。PHYCINEを支える重要な洞察は2つあり、常識的な知識は予測によって出現すること、異なる抽象レベルの物理的概念はボトムアップ方式で推論されるべきことである。実証的な評価により、我々のシステムによって推論された変数が、対応する物理概念の特性に従って動作することが実証された。また、発見された物理概念の変数を含むオブジェクト表現が、因果推論タスク、すなわちComPhyにおいてより良いパフォーマンスを達成するのに役立つことを示す。

要約(オリジナル)

The ability to discover abstract physical concepts and understand how they work in the world through observing lies at the core of human intelligence. The acquisition of this ability is based on compositionally perceiving the environment in terms of objects and relations in an unsupervised manner. Recent approaches learn object-centric representations and capture visually observable concepts of objects, e.g., shape, size, and location. In this paper, we take a step forward and try to discover and represent intrinsic physical concepts such as mass and charge. We introduce the PHYsical Concepts Inference NEtwork (PHYCINE), a system that infers physical concepts in different abstract levels without supervision. The key insights underlining PHYCINE are two-fold, commonsense knowledge emerges with prediction, and physical concepts of different abstract levels should be reasoned in a bottom-up fashion. Empirical evaluation demonstrates that variables inferred by our system work in accordance with the properties of the corresponding physical concepts. We also show that object representations containing the discovered physical concepts variables could help achieve better performance in causal reasoning tasks, i.e., ComPhy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL