基于双对比网络的有效抽象推理

作为提升机器抽象推理能力的一步，我们旨在用神经网络求解瑞文推理矩阵（RPM），因为求解 RPM 谜题与人类智力高度相关。与以往使用辅助标注或假设隐藏规则以产生合适特征表示的方法不同，我们仅使用每道题的标准答案进行模型学习，旨在使智能体以少量监督具备强学习能力。基于 RPM 问题形式化，填入第三行/列缺失项的正确答案必须最好地满足前两行/列共享的相同规则。因此我们设计了一个简单而有效的双对比网络（DCNet）来利用 RPM 谜题的固有结构。具体而言，设计了一个规则对比模块来比较填充行/列与前两行/列之间的潜在规则；设计了一个选项对比模块来增大候选选项之间的相对差异。在 RAVEN 和 PGM 数据集上的实验结果表明，DCNet 以 5.77% 的大幅度优于最先进（SOTA）方法。在少训练样本和模型泛化上的进一步实验也显示了 DCNet 的有效性。代码见 https://github.com/visiontao/dcnet。