Bongard-LOGO：面向人类水平概念学习与推理的新基准
人工智能
2021-01-06 v4 计算机视觉与模式识别
机器学习
摘要
人类具有从极少样本中学习新概念并将其泛化到不同情境的固有能力。尽管当今的机器学习模型在标准识别任务上凭借大量训练数据表现出色，但机器层面的模式识别与人类层面的概念学习之间仍存在显著差距。为缩小这一差距，Bongard 问题（BPs）被提出作为智能系统视觉认知的启发性挑战。尽管表征学习与学会学习取得了新进展，BPs 对现代 AI 而言仍是艰巨挑战。受最初一百个 BPs 的启发，我们提出了面向人类水平概念学习与推理的新基准 Bongard-LOGO。我们开发了一种程序引导的生成技术，以动作导向的 LOGO 语言生成大量人类可解释的视觉认知问题。我们的基准捕捉了人类认知的三个核心属性：1）上下文依赖感知，即同一对象在不同上下文中可能有不同解释；2）类比构建感知，即某些有意义概念被权衡替换为其他有意义概念；3）少样本但无限词表的感知。在实验中，我们表明最先进的深度学习方法表现远差于人类受试者，意味着它们未能捕捉人类认知核心属性。最后，我们讨论了面向该基准的视觉推理通用架构的研究方向。
引用
@article{arxiv.2010.00763,
title = {Bongard-LOGO: A New Benchmark for Human-Level Concept Learning and Reasoning},
author = {Weili Nie and Zhiding Yu and Lei Mao and Ankit B. Patel and Yuke Zhu and Animashree Anandkumar},
journal= {arXiv preprint arXiv:2010.00763},
year = {2021}
}
备注
22 pages, NeurIPS 2020