基于向量符号结构中多样化关系表征的系统演绎推理
人工智能
2025-01-23 v2
摘要
在抽象视觉推理中，单一深度学习模型因可解释性和泛化性有限，而现有神经符号方法在捕捉属性和关系表征的多样性与系统性方面不足。为此，我们提出一种基于向量符号结构（Vector-symbolic Architecture, VSA）中多样化关系表征的系统演绎推理模型（Rel-SAR），用于解决 Raven's 渐进矩阵（Raven's Progressive Matrices, RPM）。为获得具有符号推理潜力的属性表征，我们不仅引入各种原子向量来表示数值、周期和逻辑语义，还引入用于整体网格组件的结构化高维表征（Structured High-dimensional Representation, SHDR）。对于系统推理，我们提出了新的数值和逻辑关系函数，并在统一的框架中执行规则演绎。实验结果表明，Rel-SAR 在 RPM 任务上显著改进，并表现出稳健的跨域泛化能力。Rel-SAR 利用高属性表征与符号推理之间的协同作用，实现了具备可解释性和可计算语义的系统演绎推理。
关键词
引用
@article{arxiv.2501.11896,
title = {Systematic Abductive Reasoning via Diverse Relation Representations in Vector-symbolic Architecture},
author = {Zhong-Hua Sun and Ru-Yuan Zhang and Zonglei Zhen and Da-Hui Wang and Yong-Jie Li and Xiaohong Wan and Hongzhi You},
journal= {arXiv preprint arXiv:2501.11896},
year = {2025}
}