एमएल समुदाय दिवस 9 नवंबर है! TensorFlow, JAX से नई जानकारी के लिए हमसे जुड़ें, और अधिक जानें

अमूर्त तर्क

  • विवरण:

न्यूरल नेटवर्क्स, बैरेट, हिल, सैंटोरो एट अल में एब्सट्रैक्ट रीजनिंग को मापने वाले पेपर से प्रक्रियात्मक रूप से जेनरेटेड मैट्रिसेस (पीजीएम) डेटा। 2018 लक्ष्य सार तर्क के आधार पर संदर्भ पैनल से सही उत्तर का अनुमान लगाना है।

इस डेटा सेट का उपयोग करने के लिए, कृपया डेटा सेट पेज से सभी *.tar.gz फ़ाइलें डाउनलोड करें और उन्हें ~/tensorflow_datasets/abstract_reasoning/ में रखें।

$R$ संबंध प्रकारों (प्रगति, XOR, OR, AND, सुसंगत संघ) के सेट को दर्शाता है, $O$ वस्तु प्रकार (आकार, रेखा) को दर्शाता है, और $A$ विशेषता प्रकारों (आकार, रंग, स्थिति) को दर्शाता है। संख्या)। मैट्रिक्स की संरचना, $S$, ट्रिपल $S={[r, o, a]}$ का सेट है जो एक विशेष मैट्रिक्स द्वारा उत्पन्न चुनौती को निर्धारित करता है।

  • होमपेज: https://github.com/deepmind/abstract-reasoning-matrices

  • स्रोत कोड: tfds.image.AbstractReasoning

  • संस्करण:

    • 1.0.0 (डिफ़ॉल्ट): नहीं रिलीज नोट्स।
  • डाउनलोड का आकार: Unknown size

  • डेटासेट का आकार: Unknown size

  • मैनुअल डाउनलोड के निर्देश: यह डेटासेट आप में मैन्युअल रूप से स्रोत डेटा डाउनलोड करने के लिए की आवश्यकता है download_config.manual_dir (करने के लिए डिफ़ॉल्ट ~/tensorflow_datasets/downloads/manual/ ):
    डाटा से डाउनलोड किया जा सकता https://console.cloud.google.com/storage/browser/ravens-matrices कृपया manual_dir में सभी tar.gz फ़ाइलें डाल दिया।

  • ऑटो-कैश ( प्रलेखन ): अज्ञात

  • विभाजन:

विभाजित करना उदाहरण
'test' 200,000
'train' 1,200,000
'validation' 20,000
  • विशेषताएं:
FeaturesDict({
    'answers': Video(Image(shape=(160, 160, 1), dtype=tf.uint8)),
    'context': Video(Image(shape=(160, 160, 1), dtype=tf.uint8)),
    'filename': Text(shape=(), dtype=tf.string),
    'meta_target': Tensor(shape=(12,), dtype=tf.int64),
    'relation_structure_encoded': Tensor(shape=(4, 12), dtype=tf.int64),
    'target': ClassLabel(shape=(), dtype=tf.int64, num_classes=8),
})
  • पर्यवेक्षित कुंजियों (देखें as_supervised डॉक ): None

  • चित्रा ( tfds.show_examples ): समर्थित नहीं।

  • प्रशस्ति पत्र:

@InProceedings{pmlr-v80-barrett18a,
  title =    {Measuring abstract reasoning in neural networks},
  author =   {Barrett, David and Hill, Felix and Santoro, Adam and Morcos, Ari and Lillicrap, Timothy},
  booktitle =    {Proceedings of the 35th International Conference on Machine Learning},
  pages =    {511--520},
  year =     {2018},
  editor =   {Dy, Jennifer and Krause, Andreas},
  volume =   {80},
  series =   {Proceedings of Machine Learning Research},
  address =      {Stockholmsmassan, Stockholm Sweden},
  month =    {10--15 Jul},
  publisher =    {PMLR},
  pdf =      {http://proceedings.mlr.press/v80/barrett18a/barrett18a.pdf},
  url =      {http://proceedings.mlr.press/v80/barrett18a.html},
  abstract =     {Whether neural networks can learn abstract reasoning or whetherthey merely rely on superficial statistics is a topic of recent debate. Here, we propose a dataset and challenge designed to probe abstract reasoning, inspired by a well-known human IQ test. To succeed at this challenge, models must cope with various generalisation 'regimes' in which the training data and test questions differ in clearly-defined ways. We show that popular models such as ResNets perform poorly, even when the training and test sets differ only minimally, and we present a novel architecture, with structure designed to encourage reasoning, that does significantly better. When we vary the way in which the test questions and training data differ, we find that our model is notably proficient at certain forms of generalisation, but notably weak at others. We further show that the model's ability to generalise improves markedly if it is trained to predict symbolic explanations for its answers. Altogether, we introduce and explore ways to both measure and induce stronger abstract reasoning in neural networks. Our freely-available dataset should motivate further progress in this direction.}
}

abstract_reasoning/तटस्थ (डिफ़ॉल्ट विन्यास)

  • कॉन्फ़िग विवरण: संरचनाओं दोनों में द मैट्रिक्स एन्कोडिंग
    प्रशिक्षण और परीक्षण सेट में कोई भी ट्रिपल $[r, o, a]$ $r \in R$ के लिए होता है,
    $o \ in O$, और $a \ in A$। प्रशिक्षण और परीक्षण सेट असंबद्ध हैं, के साथ
    इनपुट चर के स्तर पर होने वाला पृथक्करण (अर्थात पिक्सेल
    अभिव्यक्तियाँ)।

  • उदाहरण ( tfds.as_dataframe ):

सार तर्क/प्रक्षेपण

  • कॉन्फ़िग विवरण: तटस्थ विभाजन के रूप में, $ S $ किसी भी शामिल थे
    ट्रिपल $ [आर, ओ, ए] $। इंटरपोलेशन के लिए, प्रशिक्षण सेट में, जब
    विशेषता "रंग" या "आकार" (यानी, आदेशित विशेषताएँ) थी, के मान
    विशेषताएँ असतत सेट के सम-अनुक्रमित सदस्यों तक ही सीमित थीं,
    जबकि परीक्षण सेट में केवल विषम-अनुक्रमित मानों की अनुमति थी। ध्यान दें कि सभी
    $S$ में रंग या आकार विशेषता के साथ कुछ ट्रिपल $[r, o, a]$ शामिल थे।
    इस प्रकार, परीक्षण सेट में प्रत्येक प्रश्न के लिए सामान्यीकरण आवश्यक है।

  • उदाहरण ( tfds.as_dataframe ):

सार तर्क / एक्सट्रपलेशन

  • कॉन्फ़िग विवरण: प्रक्षेप में के रूप में एक ही है, लेकिन के मूल्यों
    विशेषताएँ असतत सेट के निचले आधे हिस्से तक सीमित थीं
    प्रशिक्षण, जबकि परीक्षण सेट में उन्होंने ऊपरी हिस्से में मान लिया।

  • उदाहरण ( tfds.as_dataframe ):

abstract_reasoning/attr.rel.pairs

  • कॉन्फ़िग वर्णन: सभी $ S $ कम से कम दो ट्रिपल निहित,
    $([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)$, जिनमें से 400 व्यवहार्य हैं। हम
    प्रशिक्षण सेट को यादृच्छिक रूप से 360 और परीक्षण सेट को 40 आवंटित किया गया। सदस्यों
    $(t_1, t_2)$ 40 होल्ड-आउट जोड़े संरचनाओं में एक साथ नहीं हुए $S$
    प्रशिक्षण सेट में, और सभी संरचनाओं $S$ में कम से कम एक ऐसी जोड़ी थी
    $(t_1, t_2)$ एक सबसेट के रूप में।

  • उदाहरण ( tfds.as_dataframe ):

abstract_reasoning/attr.rels

  • कॉन्फ़िग विवरण: हमारे डाटासेट में, वहाँ 29 संभव अद्वितीय हैं
    ट्रिपल $ [आर, ओ, ए] $। हमने इनमें से सात को यादृच्छिक रूप से परीक्षण सेट के लिए आवंटित किया,
    लेकिन इस तरह कि प्रत्येक विशेषता को इस सेट में ठीक एक बार दर्शाया गया था।
    प्रशिक्षण सेट में प्रश्नों में ये आयोजित-आउट ट्रिपल कभी नहीं हुए, और
    परीक्षण सेट में प्रत्येक $S$ में उनमें से कम से कम एक शामिल था।

  • उदाहरण ( tfds.as_dataframe ):

abstract_reasoning/attrs.pairs

  • कॉन्फ़िग विवरण: $ S $ कम से कम दो ट्रिपल निहित। 20 . हैं
    (अक्रमित) गुणों के व्यवहार्य जोड़े $(a_1, a_2)$ जैसे कि कुछ के लिए
    $r_i, o_i, ([r_1,o_1,a_1],[r_2,o_2,a_2])$ एक व्यवहार्य ट्रिपल जोड़ी है
    $([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)$। हमने इनमें से 16 जोड़े आवंटित किए हैं
    प्रशिक्षण के लिए और चार परीक्षण के लिए। परीक्षण सेट में एक जोड़ी $(a_1, a_2)$ के लिए,
    प्रशिक्षण सेट में $S$ में $a_1$ या $a_2$ के साथ ट्रिपल शामिल हैं। परीक्षण में
    सेट, सभी $S$ में $a_1$ और $a_2$ के साथ ट्रिपल होते हैं।

  • उदाहरण ( tfds.as_dataframe ):

abstract_reasoning/attrs.shape.color

  • कॉन्फ़िग विवरण: आयोजित आउट विशेषता आकार रंग। $S$ में
    प्रशिक्षण सेट में $o$=shape और $a$=color के साथ कोई ट्रिपल नहीं था।
    परीक्षण सेट में पहेली को नियंत्रित करने वाली सभी संरचनाओं में कम से कम एक तिहाई शामिल है
    $o$=आकार और $a$=color के साथ।

  • उदाहरण ( tfds.as_dataframe ):

abstract_reasoning/attrs.line.type

  • कॉन्फ़िग विवरण: आयोजित आउट विशेषता लाइन प्रकार। $S$ में
    प्रशिक्षण सेट में $o$=line और $a$=type के साथ कोई ट्रिपल नहीं था।
    परीक्षण सेट में पहेली को नियंत्रित करने वाली सभी संरचनाओं में कम से कम एक तिहाई शामिल है
    $o$=line और $a$=type के साथ।

  • उदाहरण ( tfds.as_dataframe ):