迈向Bongard问题之解：一种因果方法
机器学习
2022-12-26 v2
摘要
尽管近年来AI快速发展并在解决高度复杂问题上展露成效，Bongard问题(BPs)这一类仍基本未被现代ML技术攻克。在本文中，我们提出一种新方法来试图不仅求解BPs，还从所学表示中提取意义。这包括将经典BP重构为强化学习(RL)设定，使模型得以访问反事实以引导其决策并解释其决策。由于在BPs中学习有意义表示是一个本质子问题，我们进一步利用对比学习从像素数据中提取低级特征。我们开展了若干实验，以分析通用BP-RL设定、特征提取方法，并使用最佳组合进行特征空间分析及其解释。
引用
@article{arxiv.2206.07196,
title = {Towards a Solution to Bongard Problems: A Causal Approach},
author = {Salahedine Youssef and Matej Zečević and Devendra Singh Dhami and Kristian Kersting},
journal= {arXiv preprint arXiv:2206.07196},
year = {2022}
}
备注
Main paper: 12 pages, References: 2 pages, Supplement: 3 pages. Main paper: 9 figures, Supplement: 3 figures