跨事件类别物理推理中违反预期建模基准
计算机视觉与模式识别
2021-11-18 v1 人工智能
摘要
近期计算机视觉与认知推理的工作促使合成数据集中越来越广泛地采用违反预期（VoE）范式。受婴儿心理学启发，研究者正评估模型在仅知预期场景的情况下将场景标注为预期或惊讶的能力。然而，现有基于VoE的物理推理3D数据集主要提供视觉数据，极少包含启发式或归纳偏置。物理推理的认知模型揭示，婴儿会对物体与交互建立高层抽象表征。利用此知识，我们建立了一个基准来研究物理推理：策划了一个新颖的大规模合成3D VoE数据集，并配备因果相关特征与规则的真值启发式标签。为在物理推理的五个事件类别中验证我们的数据集，我们对人类表现进行了基准测试与分析。我们还提出了物体文件物理推理网络（OFPR-Net），其利用数据集的新颖启发式超越了我们的基线与消融模型。OFPR-Net亦能灵活学习另一种物理现实，展示了其在物理推理中学习普适因果关系以构建更具可解释性系统的能力。
引用
@article{arxiv.2111.08826,
title = {A Benchmark for Modeling Violation-of-Expectation in Physical Reasoning Across Event Categories},
author = {Arijit Dasgupta and Jiafei Duan and Marcelo H. Ang and Yi Lin and Su-hua Wang and Renée Baillargeon and Cheston Tan},
journal= {arXiv preprint arXiv:2111.08826},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2110.05836