基于复用图网络的抽象图解推理
机器学习
2020-06-22 v1 机器学习
摘要
抽象推理，尤其在视觉领域，是一种复杂的人类能力，但对人工神经学习系统而言仍具挑战性。本工作中我们提出 MXGNet，一种用于多面板图解推理任务的多层图神经网络。MXGNet 结合了三个强有力的概念，即对象级表示、图神经网络和复用图（multiplex graphs），以求解视觉推理任务。MXGNet 首先提取图中所有面板每个元素的对象级表示，然后形成捕捉不同图面板间对象多种关系的多层复用图。MXGNet 对任务图示中提取的多个图进行汇总，并利用该汇总从给定候选中挑选最可能答案。我们在两类图解推理任务上测试了 MXGNet，即图示三段论（Diagram Syllogisms）和瑞文推理测验（Raven Progressive Matrices, RPM）。对于欧拉图示三段论任务，MXGNet 达到了 99.8% 的当前最优准确率。对于 PGM 和 RAVEN 这两个综合性的 RPM 推理数据集，MXGNet 以显著优势超越了当前最优模型。
引用
@article{arxiv.2006.11197,
title = {Abstract Diagrammatic Reasoning with Multiplex Graph Networks},
author = {Duo Wang and Mateja Jamnik and Pietro Lio},
journal= {arXiv preprint arXiv:2006.11197},
year = {2020}
}