Multi-Viewpoint and Multi-Evaluation with Felicitous Inductive Bias Boost Machine Abstract Reasoning Ability

要約

抽象的な推論における AI の能力を研究するために多大な努力が払われており、RAVEN のプログレッシブ マトリックス (RPM) のさまざまなバージョンがベンチマークとして提案されています。
以前の研究では、洗練された設計やセマンティック情報を含む追加のメタデータがなければ、絶え間ないトレーニングの後、ニューラル ネットワークは RPM の問題に関する決定を下す際に依然として優柔不断である可能性があることが示唆されています。
徹底的な実験とアブレーション研究によって証明された、意図的に設計された、または偶然に一致した、有益な誘導バイアスで具現化されたエンドツーエンドのニューラルネットワークは、余分なメタデータや特定の設定を追加することなく、RPMの問題をエレガントに解決できることを示しています。
背骨。
私たちの研究は、複数の評価を伴う複数の視点が、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ます。
最後に、一般化におけるコネクショニスト モデルの失敗の潜在的な説明が提供されます。
これらの結果が、認識を超えた抽象的な推論に対する AI の能力の検証に役立つことを願っています。
ソース コードは https://github.com/QinglaiWeiCASIA/RavenSolver にあります。

要約(オリジナル)

Great endeavors have been made to study AI’s ability in abstract reasoning, along with which different versions of RAVEN’s progressive matrices (RPM) are proposed as benchmarks. Previous works give inkling that without sophisticated design or extra meta-data containing semantic information, neural networks may still be indecisive in making decisions regarding RPM problems, after relentless training. Evidenced by thorough experiments and ablation studies, we showcase that end-to-end neural networks embodied with felicitous inductive bias, intentionally design or serendipitously match, can solve RPM problems elegantly, without the augment of any extra meta-data or preferences of any specific backbone. Our work also reveals that multi-viewpoint with multi-evaluation is a key learning strategy for successful reasoning. Finally, potential explanations for the failure of connectionist models in generalization are provided. We hope that these results will serve as inspections of AI’s ability beyond perception and toward abstract reasoning. Source code can be found in https://github.com/QinglaiWeiCASIA/RavenSolver.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google