用于神经网络空间推理评估的多分辨率基准框架
机器学习
2025-08-19 v1 应用物理
医学物理
摘要
本文提出了一套全面的基准框架，用于系统性地评估神经网络的空间推理能力，特别关注形态学属性，如连通性和距离关系。该框架目前用于研究nnU-Net的能力，利用空间模型检查器VoxLogicA生成两类合成数据集：用于拓扑分析的迷宫连通性问题和用于几何理解的空间距离计算任务。每个类别在多个分辨率下进行评估，以评估其可扩展性和泛化能力。该自动化管道涵盖完整的机器学习工作流程，包括：合成数据集生成、标准化训练（交叉验证）、推理执行以及使用Dice系数和IoU（Intersection over Union）指标进行综合评估。初步实验结果表明，神经网络的空间推理能力面临重大挑战，揭示了在基本几何和拓扑理解任务中存在系统性失效。该框架提供了可复现的实验协议，使研究人员能够识别特定的局限性。通过结合神经网络与符号推理方法的混合方法，可改进神经网络在临床应用中的空间理解能力，为研究神经网络空间推理局限性及潜在解决方案奠定了基础。
引用
@article{arxiv.2508.12741,
title = {A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks},
author = {Manuela Imbriani and Gina Belmonte and Mieke Massink and Alessandro Tofani and Vincenzo Ciancia},
journal= {arXiv preprint arXiv:2508.12741},
year = {2025}
}