通过对比学习感知推理
计算机视觉与模式识别
2019-12-03 v1 人工智能
机器学习
摘要
“用图画思考”[1]，即时空推理，对人类而言轻松且瞬时完成，被认为是一种执行逻辑归纳的重要能力，也是技术发展智力史上的关键因素。由海量数据集、更深模型与强大算力驱动的现代人工智能（AI）已在某些特定任务中达到（超）人类水平。然而，当前 AI 在“用图画思考”上的能力仍远远落后。本工作中，我们研究如何提升机器在此类一项具挑战性任务上的推理能力：瑞文推理矩阵（RPM）。具体而言，我们从心理学、认知与教育领域借用“对比效应”这一思想，设计并训练了一个置换不变模型。受认知研究启发，我们为模型配备了一个与感知主干联合训练的简易推理模块。综合所有要素，我们提出对比感知推理网络（CoPINet），并经验性地证明 CoPINet 在两个主要数据集上确立了置换不变模型的新 SOTA。我们得出结论：时空推理依赖于设想与物体间关系一致的可能性，且可从像素级输入求解。
引用
@article{arxiv.1912.00086,
title = {Learning Perceptual Inference by Contrasting},
author = {Chi Zhang and Baoxiong Jia and Feng Gao and Yixin Zhu and Hongjing Lu and Song-Chun Zhu},
journal= {arXiv preprint arXiv:1912.00086},
year = {2019}
}
备注
NeurIPS 2019 spotlight. Project page: http://wellyzhang.github.io/project/copinet.html