Raven渐进矩阵中的规则遗漏研究
人工智能
2025-10-06 v1
摘要
类比推理是人类认知的核心内容，也是人工智能面临的根本挑战。Raven渐进矩阵（RPM）作为广泛使用的基准测试，要求推断底层结构规则以评估抽象推理能力。虽然许多基于视觉和基于语言的模型在RPM任务上取得了成功，但其性能是否反映出真正的推理能力，或仅依赖于统计捷径尚不明了。本研究探讨了现代人工智能系统在训练时刻有意遗漏若干结构规则的情况下的泛化能力。我们在Impartial-RAVEN（I-RAVEN）数据集上评估了序列到序列转换模型以及视觉架构如CoPINet和双对比网络。实验结果表明，尽管转换模型在熟悉规则上表现出色，但在面对新颖或被遗漏规则时准确率会显著下降。此外，标记级准确率与完整答案准确率之间的差距凸显了当前方法的根本局限。这些发现为深入理解深度学习模型的推理机制提供了新见解，并强调需要超越模式识别向稳健抽象推理发展的架构的重要性。
引用
@article{arxiv.2510.03127,
title = {A Study of Rule Omission in Raven's Progressive Matrices},
author = {Binze Li},
journal= {arXiv preprint arXiv:2510.03127},
year = {2025}
}