利用神经符号生成模型进行分布外绘制

从感知输入中学习通用表征是人类智能的标志。例如，人们可以通过将这些任务刻画为同一通用底层过程——不同形式笔触的组合排列——的不同实例，来写出数字或字符，甚至画涂鸦。关键的是，由于这一共享过程，学会一项任务（如书写）意味着对另一项任务（如绘画）具备合理的胜任能力。我们提出 Drawing out of Distribution（DooD），一种基于笔触绘制的神经符号生成模型，可学习此类通用表征。与先前工作不同，DooD 直接作用于图像，无需监督或昂贵的测试时推断，并利用符号笔触模型进行无监督摊销推断，从而更好地实现可解释性与泛化。我们在跨数据与跨任务的泛化能力上评估 DooD。我们首先在五个不同数据集上从一数据集（如 MNIST）到另一数据集（如 Quickdraw）进行零样本迁移，表明 DooD 明显优于不同基线。对所学表征的分析进一步凸显了采用符号笔触模型的益处。我们随后采用 Omniglot 挑战任务的一个子集，评估其生成新样本（无条件与有条件）及执行单样本分类的能力，显示 DooD 达到了最先进水平。综上，我们证明 DooD 确实捕获了跨数据与任务的通用表征，并向构建通用且鲁棒的概念学习系统迈进了一步。