ACRE:超越共变的抽象因果推理
计算机视觉与模式识别
2021-03-29 v1 人工智能
机器学习
摘要
因果归纳,即识别导致变量间可观测关系的不易观测机制,在现代科学发现中起着关键作用,尤其在仅有稀疏且有限数据的场景中。人类,即便是幼童,也能在各种环境下惊人地归纳出因果关系,尽管其难度广为人知。然而,与人类社会认知的普遍特质形成对比的是,缺乏一个用于衡量现代人工智能(AI)系统因果归纳能力的诊断性基准。因此,在本工作中,我们引入抽象因果推理(ACRE)数据集,用于系统评估当前视觉系统的因果归纳能力。受 Blicket 实验中因果发现研究的启发,我们在独立场景或干预场景中向视觉推理系统提出以下四类问题:直接、间接、屏蔽(screening-off)和反向阻断(backward-blocking),有意超越通过共变归纳因果关系的简单策略。通过分析该测试平台上视觉推理架构,我们注意到纯神经模型在其接近随机水平的表现下倾向于联想策略,而神经符号组合在反向阻断推理中表现不佳。这些缺陷呼吁未来研究具备更全面的因果归纳能力的模型。
引用
@article{arxiv.2103.14232,
title = {ACRE: Abstract Causal REasoning Beyond Covariation},
author = {Chi Zhang and Baoxiong Jia and Mark Edmonds and Song-Chun Zhu and Yixin Zhu},
journal= {arXiv preprint arXiv:2103.14232},
year = {2021}
}
备注
CVPR 2021 paper. Supplementary: http://wellyzhang.github.io/attach/cvpr21zhang_acre_supp.pdf Project: http://wellyzhang.github.io/project/acre.html