.png){kind=icon}
返回
Staged Self-Supervised Learning for Raven Progressive Matrices
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3561069.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出并研究了抽象组合变换器（ACTs），这是一类基于变换器蓝图（transformer blueprint）的深度学习（DL）架构，旨在处理需要完成空间视觉模式的抽象推理任务。我们将ACTs与选择决策模块（choice-making modules）结合，并将其应用于拉文渐进矩阵（Raven progressive matrices, RPMs），这是一种需要从可用答案中选择正确图像的逻辑谜题。我们设计了一系列ACT变体，在多种模式下对其进行训练并应用额外的数据增强（augmentations），进行消融研究（ablations），展示其数据可扩展性，并分析其过程行为和产生的潜在表示（latent representations）。通过自监督学习（self-supervision），我们成功地在相对较小的训练集上训练了ACTs，缓解了以往研究中在RPMs中识别出的若干偏差，并在两个最流行的RPM基准测试中取得了SotA（State-of-the-Art）结果。
Keyword:
Artificial intelligence
artificial neural networks
cognitive science
computational and artificial intelligence
cybernetics
deep learning (DL)
learning systems
machine learning
machine intelligence
neural networks
pattern analysis
problem-solving
self-supervised learning
systems
man
and cybernetics
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
暂无机构信息
引用论文
Deep Learning Methods for Abstract Visual Reasoning: A Survey on Raven's Progressive Matrices用于抽象视觉推理的深度学习方法: 对Raven渐进式矩阵的调查
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏
A neuro-vector-symbolic architecture for solving Raven's progressive matrices求解Raven渐进矩阵的神经向量符号体系结构
PREAI
分享收藏
查看更多内容