एक आत्म-प्रबंधनीय मॉडल कई अमूर्त दृश्य तर्क समस्याओं को हल करने के लिए

अमूर्त दृश्य तर्क (AVR) विभिन्न समस्याओं का एक विस्तृत चयन है जो मानव IQ परीक्षणों में उपयोग की जाने वाली समस्याओं के समान हैं। हाल के वर्षों में विशिष्ट AVR कार्यों को हल करने में गतिशील प्रगति हुई है, हालाँकि, समकालीन साहित्य में AVR समस्याओं को बड़े पैमाने पर पृथक रूप से निपटाया गया है, जिसके परिणामस्वरूप अत्यधिक विशिष्ट कार्य-विशिष्ट विधियाँ विकसित हुई हैं। AVR क्षेत्र में सार्वभौमिक सीखने के सिस्टम विकसित करने के उद्देश्य से, हम एकीकृत मॉडल प्रस्तुत करते हैं जो सिंगल-चॉइस अमूर्त दृश्य तर्क कार्यों (SCAR) को हल करने के लिए सक्षम है, जो विभिन्न सिंगल-चॉइस AVR कार्यों को बिना किसी पूर्व संकल्पना के हल करता है, विशेष रूप से पैनलों की संख्या और स्थान के बारे में। प्रस्तावित मॉडल एक नए स्ट्रक्चर-वेयर डायनामिक लेयर (SAL) पर निर्भर करता है, जो विचारित AVR समस्या के संरचना के अनुसार अपने वजन को समायोजित करता है। रेवेन्स प्रोग्रेसिव मैट्रिस, दृश्य समानता समस्याओं, और अजीब एक बाहर समस्याओं पर किए गए प्रयोग दर्शाते हैं कि SCAR (SAL-आधारित मॉडल, सामान्यतः) प्रभावी रूप से विविध AVR कार्यों को हल करता है, और इसकी प्रदर्शन उत्कृष्ट कार्य-विशिष्ट बेंचमार्क के बराबर है। इसके अलावा, SCAR मल्टी-टास्क और ट्रांसफर लर्निंग सेटिंग्स में प्रभावी ज्ञान पुनः प्रयोग को दर्शाता है। हमारी जानकारी के अनुसार, यह कार्य आत्म-प्रबंधनीय संरचना और एकीकृत समाधान विधि पर निर्भर करते हुए सामान्य सिंगल-चॉइस AVR समाधाता बनाने का पहला सफल प्रयास है। इस कार्य के साथ हम AVR क्षेत्र में कार्य-स्वतंत्र अनुसंधान मार्गों में प्रगति को प्रोत्साहित करने और बढ़ावा देने का लक्ष्य रखते हैं, जिसका दीर्घकालिक लक्ष्य सामान्य AVR समाधान का विकास है।