题目: Relational inductive biases, deep learning, and graph networks
单位: DeepMind, Google Brain, MIT, University of Edinburgh
出版: Arxiv
提出的观点
如果AI要获得与人类相近的能力,那么组合泛化(combinatorial generalization)一定是最优先要完成的,而结构化的表示和计算是其中关键。我们拒绝人工的特征工程和端到端的学习,支持从他们互补能力(complementary strength)中获益的方法。我们探索了如何利用深度学习中的关系归纳偏置(relational inductive biases)才能更好地学习实体,关系,以及组合它们的规则,提出了一个强大的关系归纳偏置组件——图网络。图网络推广延伸了与图相关的神经网络的各种方法,并提供了操纵结构化知识,生成行为的直接接口。
组合泛化
从已得到的模块中构建新的推断,预测和行为。