查看“WikiEdge:ArXiv-1711.08028”的源代码

* '''标题'''：Recurrent Relational Networks
* '''中文标题'''：循环关系网络
* '''发布日期'''：2017-11-21 20:34:48+00:00
* '''作者'''：Rasmus Berg Palm, Ulrich Paquet, Ole Winther
* '''分类'''：cs.AI
*'''原文链接'''：http://arxiv.org/abs/1711.08028v4
'''摘要'''：本文主要研究如何学习解决需要一系列相互依赖的关系推理步骤的任务，例如回答有关对象之间关系的复杂问题，或解决其中解决方案的较小元素相互约束的谜题。我们引入了循环关系网络，这是一个通用模块，可以在对象的图形表示上进行操作。作为Santoro等人[2017]的关系网络的泛化，它可以增强任何神经网络模型的多步关系推理能力。我们在bAbI文本问题回答数据集上使用循环关系网络，取得了最新的结果，稳定解决了20/20的任务。由于bAbI在关系推理方面并不特别具有挑战性，我们引入了Pretty-CLEVR，这是一个新的关系推理诊断数据集。在Pretty-CLEVR的设置中，我们可以改变问题以控制获取答案所需的关系推理步骤的数量。使用Pretty-CLEVR，我们探索了多层感知器、关系和循环关系网络的限制。最后，我们展示了如何使用监督训练数据让循环关系网络学习解决数独难题，这是一个需要超过64步关系推理的挑战性任务。我们在相似方法中取得了最新的结果，解决了96.6%的最难数独难题。

== 问题与动机 ==
作者的研究问题包括：
* 如何构建一个能够进行多步[[关系推理]]的[[神经网络模型]]？
* 如何在不同的[[数据集]]上验证提出的模型是否能够实现多步关系推理？
* 如何在复杂的任务（如[[数独]]解谜）中应用提出的模型，并与现有方法比较其性能？