迈向生成式抽象推理：通过规则抽象与选择完成瑞文推理测验
人工智能
2024-04-16 v3
摘要
赋予机器抽象推理能力一直是人工智能领域的长期研究课题。瑞文推理测验 (RPM) 被广泛用于探测机器智能中的抽象视觉推理能力，在该任务中，模型需分析潜在规则并从候选图像中选择一张以完成图像矩阵。RPM 测试的参与者能够通过推断和组合属性变化规则，并想象矩阵任意位置的缺失图像，从而展现出强大的推理能力。然而，现有的求解器在真实的 RPM 测试中难以表现出这种能力。在本文中，我们提出了一种用于答案生成问题的深度潜变量模型，即通过规则抽象与选择 (Rule AbstractIon and SElection, RAISE)。RAISE 能够将图像属性编码为潜概念，并抽象出作用于这些潜概念的原子规则。在生成答案时，RAISE 为每个潜概念从全局知识集中选择一个原子规则，以构成 RPM 的潜在规则。在右下角及任意位置答案生成的实验中，RAISE 在大多数真实 RPM 数据集配置下优于对比求解器。在“异类排除”任务和两个保留配置中，RAISE 能够利用习得的潜概念和原子规则，找出矩阵中违反规则的图像，并处理具有未见过的规则与属性组合的问题。
引用
@article{arxiv.2401.09966,
title = {Towards Generative Abstract Reasoning: Completing Raven's Progressive Matrix via Rule Abstraction and Selection},
author = {Fan Shi and Bin Li and Xiangyang Xue},
journal= {arXiv preprint arXiv:2401.09966},
year = {2024}
}