Aprendizaje de programas lógicos diferenciables para el razonamiento visual abstracto

El razonamiento visual abstracto es esencial para construir agentes inteligentes que comprendan el mundo y realicen la resolución de problemas más allá de la percepción. Se ha desarrollado un razonamiento hacia adelante diferenciable para integrar el razonamiento con paradigmas de aprendizaje automático basados en gradientes. Sin embargo, debido a la intensidad de memoria, la mayoría de los enfoques existentes no aprovechan al máximo la expresividad de la lógica de primer orden, excluyendo una capacidad crucial para resolver el razonamiento visual abstracto, donde los agentes necesitan realizar razonamientos utilizando analogías sobre conceptos abstractos en diferentes escenarios. Para superar este problema, proponemos NEUro-simbólico Mensaje-pAsaje Razonador (NEUMANN), que es un razonador diferenciable basado en gráficos, que pasa mensajes de manera eficiente en términos de memoria y maneja programas estructurados con funtores. Además, proponemos un algoritmo de aprendizaje de estructura computacionalmente eficiente para realizar inducción de programas explicativos en escenas visuales complejas. Para evaluar, además de las tareas convencionales de razonamiento visual, proponemos una nueva tarea, razonamiento visual entre bastidores, donde los agentes necesitan aprender programas abstractos y luego responder consultas imaginando escenas que no se observan. Demostramos empíricamente que NEUMANN resuelve tareas de razonamiento visual de manera eficiente, superando las líneas base neuronales, simbólicas y neuro-simbólicas.