面向抽象视觉推理的分层规则感知网络
计算机视觉与模式识别
2022-06-08 v3 人工智能
机器学习
摘要
抽象推理是指分析信息、在无形层面发现规则并以创新方式解决问题的能力。瑞文渐进矩阵(Raven's Progressive Matrices, RPM)测试通常用于考察抽象推理能力。受试者需从答案集中找出正确选项以填充 RPM(如 3×3 矩阵)右下角的缺失面板,并遵循矩阵内部潜在规则。近期研究借助卷积神经网络(Convolutional Neural Networks, CNNs)在完成 RPM 测试上取得了令人鼓舞的进展。然而,它们在一定程度上忽略了 RPM 求解器必要的归纳偏置,例如每行/列内的顺序敏感性与增量规则归纳。为解决该问题,本文提出分层规则感知网络(Stratified Rule-Aware Network, SRAN),为两个输入序列生成规则嵌入。我们的 SRAN 在不同层级学习多粒度规则嵌入,并通过门控融合模块增量整合分层嵌入流。借助嵌入,应用规则相似度度量以保证 SRAN 不仅可使用三元组损失(tuplet loss)训练,还能高效推断最佳答案。我们进一步指出流行 RPM 测试数据集 RAVEN 中存在的严重缺陷,这些缺陷妨碍了对抽象推理能力的公平评估。为修复缺陷,我们提出一种称为属性对分树(Attribute Bisection Tree, ABT)的答案集生成算法,构建了改进数据集 Impartial-RAVEN(简称 I-RAVEN)。在 PGM 与 I-RAVEN 数据集上的大量实验表明,我们的 SRAN 以显著优势超越最先进模型。
引用
@article{arxiv.2002.06838,
title = {Stratified Rule-Aware Network for Abstract Visual Reasoning},
author = {Sheng Hu and Yuqing Ma and Xianglong Liu and Yanlu Wei and Shihao Bai},
journal= {arXiv preprint arXiv:2002.06838},
year = {2022}
}
备注
AAAI 2021 paper. Code: https://github.com/husheng12345/SRAN