抽象和推理语料库的图形、约束和搜索

主要观点总结

本文主要介绍了ARGA：一个以对象为中心的框架，用于解决ARC任务。ARGA通过图抽象和约束引导搜索来解决ARC任务，旨在评估人工智能算法的泛化能力。文章详细介绍了ARGA的设计原理、实现方法和实验结果。

关键观点总结

关键观点1: ARGA框架的设计原理

ARGA首先通过图抽象将输入图像转换为抽象图，然后使用约束引导搜索来制定应用于抽象图的操作，以生成解决方案。图抽象允许在更高的抽象级别上搜索解决方案，从而减小搜索空间。

关键观点2: ARGA框架的实现方法

ARGA使用基于一阶逻辑的DSL来描述抽象图的操作。过滤器用于从图形中选择节点，转换用于修改节点的属性。通过动态参数绑定，可以动态生成转换的参数。ARGA还使用了约束获取、散列和禁忌列表等技术来加快搜索速度。

关键观点3: ARGA的实验结果

ARGA在ARC数据集的以对象为中心的子集上进行了评估，并获得了有希望的结果。尽管在精度上略低于最先进的方法，但ARGA在搜索效率方面表现出色，能够以更少的计算量找到解决方案。

文章预览

Graphs, Constraints, and Search for the Abstraction and Reasoning Corpus 抽象和推理语料库的图形、约束和搜索 github.com/khalil-research/ARGA-AAAI23 https://ar5iv.labs.arxiv.org/html/2210.09880?_immersive_translate_auto_translate=1 摘要 抽象和推理语料库（ARC）旨在评估通用人工智能算法的性能。ARC关注广泛的泛化和少样本学习，这使得使用纯机器学习很难解决。一种更有前景的方法是在适当设计的领域特定语言（DSL）中进行程序合成。然而，这些方法的成功也有限。我们提出了基于图抽象的抽象推理（ARGA），这是一个新的以对象为中心的框架，首先使用图表示图像，然后在基于抽象图空间的DSL中搜索正确的程序。通过使用约束获取、状态哈希和禁忌搜索，降低了这种组合搜索的复杂性。一系列广泛的实验证明了ARGA在高效解决ARC的一些复杂以对象为中心的任务方面的潜力，产生了正确且 ………………………………