基于潜高斯过程先验的瑞文渐进矩阵补全
人工智能
2023-02-20 v2 机器学习
摘要
抽象推理能力是人类智力的基础。它使人类能够揭示抽象概念之间的关系，并进一步从关系中推导隐式规则。作为著名的抽象视觉推理任务，瑞文渐进矩阵（RPM）被广泛用于人类智商测试。尽管已有大量关于利用机器智能的 RPM 求解器的研究，但极少有研究考虑将标准的答案选择（分类）问题进一步推进到更具挑战性的答案绘制（生成）问题，后者可验证模型是否真正理解了隐式规则。本文旨在通过提出一种深度潜变量模型来解决后者，其中采用多个高斯过程作为潜变量的先验，分别从 RPM 中学习潜在的抽象概念；因此所提模型在概念特定的潜变量方面具有可解释性。潜高斯过程还基于所学概念变化规则为答案绘制提供了一种有效的外推方式。我们在具有多个连续变化视觉概念的类 RPM 数据集上评估了所提模型。实验结果表明，我们的模型仅需少量训练样本即可绘制高质量答案、生成新颖 RPM 面板，并通过概念特定的潜变量实现可解释性。
引用
@article{arxiv.2103.12045,
title = {Raven's Progressive Matrices Completion with Latent Gaussian Process Priors},
author = {Fan Shi and Bin Li and Xiangyang Xue},
journal= {arXiv preprint arXiv:2103.12045},
year = {2023}
}