面向瑞文推理测验矩阵的无人监督抽象推理
计算机视觉与模式识别
2021-09-22 v1 人工智能
机器学习
摘要
瑞文渐进矩阵(RPM)与人类智力高度相关，并已被广泛用于衡量人类的抽象推理能力。在本文中，为研究深度神经网络的抽象推理能力，我们提出首个解决 RPM 问题的无监督学习方法。由于不允许使用真实标签，我们基于 RPM 构造的先验约束设计了一个伪目标以逼近真实标签，从而将无监督学习策略有效转化为有监督的。然而，正确答被伪目标错误标注，因此噪声对比将导致不准确的模型训练。为缓解该问题，我们提出利用负答案提升模型性能。此外，我们开发了一种去中心化方法，使特征表示适配不同的 RPM 问题。在三个数据集上的大量实验表明，我们的方法甚至优于部分有监督方法。我们的代码见 https://github.com/visiontao/ncd。
引用
@article{arxiv.2109.10011,
title = {Unsupervised Abstract Reasoning for Raven's Problem Matrices},
author = {Tao Zhuo and Qiang Huang and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:2109.10011},
year = {2021}
}
备注
Accepted by TIP