结合归纳与直推进行抽象推理
机器学习
2024-12-03 v4 人工智能
计算与语言
摘要
当从极少的例子中学习输入-输出映射时，是先推断一个解释这些例子的潜在函数更好，还是直接预测新的测试输出（例如使用神经网络）更好？我们在 ARC 上研究这个问题，通过训练用于归纳（推断潜在函数）和直推（直接预测给定测试输入对应的测试输出）的神经模型。我们在解决 ARC 训练任务的 Python 程序合成变体上进行训练。我们发现归纳模型和直推模型解决了不同类型的测试问题，尽管它们具有相同的训练问题和相同的神经架构：归纳程序合成擅长精确计算和组合多个概念，而直推在更模糊的感知概念上表现更好。将它们集成后，在 ARC 上接近人类水平的性能。
引用
@article{arxiv.2411.02272,
title = {Combining Induction and Transduction for Abstract Reasoning},
author = {Wen-Ding Li and Keya Hu and Carter Larsen and Yuqing Wu and Simon Alford and Caleb Woo and Spencer M. Dunn and Hao Tang and Michelangelo Naim and Dat Nguyen and Wei-Long Zheng and Zenna Tavares and Yewen Pu and Kevin Ellis},
journal= {arXiv preprint arXiv:2411.02272},
year = {2024}
}