DIO：精炼互信息与因果链以增强机器抽象推理能力
计算机视觉与模式识别
2025-11-11 v7
摘要
尽管深度学习取得了广泛的成功，但其抽象推理瓶颈依然存在。我们致力于解决瑞文渐进矩阵（RPM）这一用于评估模式、推理和解决问题智能的基准。我们建模了完整的因果链：图像→属性→渐进模式→一致性→答案，并构建了基线模型DIO。然而，DIO的互信息下界目标并未嵌入人类逻辑：该界限松散且基于统计，忽略了因果的主客体联系。因此，我们提出了三项改进。1）Brando引入可训练的负选项以收紧变分界限。2）WORLD用高斯混合特征模型替代生成过程，该模型提供无限的加权负样本，进一步收紧界限。3）DIEGO添加元数据监督以纠正“属性→模式”的语义鸿沟，使表征与人类规则对齐。这些升级显著提升了判别式RPM的准确率，并首次让DIO能够在开放式RPM中生成有效答案。这项工作为抽象推理研究提供了因果驱动的设计指南、目标精炼策略和跨模态见解。
引用
@article{arxiv.2508.15387,
title = {DIO: Refining Mutual Information and Causal Chain to Enhance Machine Abstract Reasoning Ability},
author = {Ruizhuo Song and Beiming Yuan},
journal= {arXiv preprint arXiv:2508.15387},
year = {2025}
}
备注
15 pages, 9 figures, 8 tables