朴素少样本学习：揭示机器的流体智力

在本文中，我们旨在帮助弥合人类流体智力——即无需事先训练解决新任务的能力——与深度神经网络性能之间的差距，后者通常需要大量先验训练。解决智力测验（在人类中用于衡量流体智力）的一个基本认知成分是识别序列中规律的能力。这促使我们构建了一个基准任务，称之为序列一致性评估（SCE），其求解需要识别序列中规律的能力。鉴于深度网络已被证实的能力，其在大量训练后解决此类任务是可预期的。然而令人惊讶的是，我们表明在单个 SCE 上以单个优化步训练的朴素（随机初始化）深度学习模型，仍能相对较好地解决该任务的非平凡版本。我们将发现扩展至在视觉与听觉模态下无需任何先验训练地解决真实世界异常检测任务。这些结果展示了深度网络的流体智力计算能力。我们讨论了本工作对构建流体智力机器的启示。