A-I-RAVEN 和 I-RAVEN-Mesh：两个新的抽象视觉推理基准
人工智能
2025-05-19 v2 计算机视觉与模式识别
机器学习
摘要
我们研究了深度神经网络在抽象视觉推理（AVR）领域的泛化和知识复用能力，使用了瑞文渐进矩阵（RPMs）这一公认的评估 AVR 能力的基准任务。研究了涉及 I-RAVEN 数据集的两种知识迁移场景。首先，受 PGM 数据集泛化评估能力和 I-RAVEN 流行度的启发，我们引入了 Attributeless-I-RAVEN（A-I-RAVEN），这是一个包含 10 种泛化机制的基准，允许系统性地测试应用于保留属性的抽象规则在不同复杂度水平（初级和扩展机制）下的泛化能力。与 PGM 相比，A-I-RAVEN 具有组合性、多种图形配置，并且不需要大量计算资源。其次，我们构建了 I-RAVEN-Mesh，这是一个用包含基于线条模式的新组件结构来丰富 RPMs 的数据集，有助于评估迁移学习环境中的渐进知识获取。我们在引入的数据集上评估了来自 AVR 文献的 13 个强模型，揭示了它们在泛化和知识迁移方面的具体缺陷。
引用
@article{arxiv.2406.11061,
title = {A-I-RAVEN and I-RAVEN-Mesh: Two New Benchmarks for Abstract Visual Reasoning},
author = {Mikołaj Małkiński and Jacek Mańdziuk},
journal= {arXiv preprint arXiv:2406.11061},
year = {2025}
}
备注
Accepted to the 34th International Joint Conference on Artificial Intelligence (IJCAI 2025)