循环关系网络
人工智能
2018-11-30 v4
摘要
本文关注于学习解决需要一系列相互依赖的关系推理步骤的任务，例如回答关于对象之间关系的复杂问题，或求解较小元素相互约束的解谜题。我们引入了循环关系网络，一种作用于对象图表示的通用模块。作为 Santoro 等人 [2017] 关系网络的推广，它可以用进行多步关系推理的能力来增强任意神经网络模型。我们在 bAbI 文本问答数据集上利用循环关系网络取得了最先进的成果，稳定地解决了 20/20 项任务。由于 bAbI 从关系推理的角度来看并不特别具有挑战性，我们引入了 Pretty-CLEVR，一个用于关系推理的新诊断数据集。在 Pretty-CLEVR 设定中，我们可以改变问题以控制获得答案所需的关系推理步骤数。利用 Pretty-CLEVR，我们探查了多层感知机、关系网络和循环关系网络的局限性。最后，我们展示了循环关系网络如何从无监督训练数据中学习求解数独谜题，这是一项需要超过 64 步关系推理的具有挑战性的任务。我们通过求解 96.6% 的最难数独谜题，在可比方法中取得了最先进的结果。
引用
@article{arxiv.1711.08028,
title = {Recurrent Relational Networks},
author = {Rasmus Berg Palm and Ulrich Paquet and Ole Winther},
journal= {arXiv preprint arXiv:1711.08028},
year = {2018}
}
备注
Accepted at NIPS 2018