[論文レビュー] Learning abstract structure for drawing by efficient motor program induction

Lucas Y Tian, Kevin Ellis+2 more|arXiv (Cornell University)|Aug 8, 2020

Teaching and Learning Programming参考文献 45被引用数 15

ひとこと要約

本論文は、効率的なモータープログラム誘導を通じて、抽象的で構成的な図画プログラムを学習する計算モデルを提案している。このモデルは、少サンプル学習の後で、新規の図形への迅速な一般化を可能にする。モデルは、人間らしく抽象的で構成的な再利用可能なサブルーチンを発見し、制御された図画タスクにおいて人間水準の一般化を示している。

ABSTRACT

Humans flexibly solve new problems that differ qualitatively from those they were trained on. This ability to generalize is supported by learned concepts that capture structure common across different problems. Here we develop a naturalistic drawing task to study how humans rapidly acquire structured prior knowledge. The task requires drawing visual objects that share underlying structure, based on a set of composable geometric rules. We show that people spontaneously learn abstract drawing procedures that support generalization, and propose a model of how learners can discover these reusable drawing programs. Trained in the same setting as humans, and constrained to produce efficient motor actions, this model discovers new drawing routines that transfer to test objects and resemble learned features of human sequences. These results suggest that two principles guiding motor program induction in the model - abstraction (general programs that ignore object-specific details) and compositionality (recombining previously learned programs) - are key for explaining how humans learn structured internal representations that guide flexible reasoning and learning.

研究の動機と目的

• 人間が、新しい抽象的図形を学習する際に、どのように構造的で内部的な表象を迅速に獲得するかを調査すること。
• 再利用可能な、プログラム的な図画サブルーチンを発見することで、人間らしく一般化する計算モデルを開発すること。
• 抽象化と構成性——人間学習の2つの核心的原則——が、神経的にガイドされたプログラム誘導フレームワーク内で形式化可能かどうかを検証すること。
• 少サンプル図画タスクにおいて、人間とモデルの行動を比較し、学習済み表象の転送可能性と構造的類似性を評価すること。

提案手法

• 参加者が幾何的規則に基づいて新しい抽象的図形を描くことを学ぶ自然主義的図画タスクを設計する。
• 人間の学習を、神経ネットワークがガイドする、可能な構成的プログラムの探索によるプログラム誘導でモデル化する。
• モーターアクションに効率性制約を課し、人間のモーターシーケンスに類似したコンパクトで再利用可能なプログラムを優遇する。
• 確率的プログラム誘導フレームワークを用い、オブジェクト固有の詳細よりも、抽象的で構成的な構造を優先する事前分布を導入する。
• 人間が使用した同じ少サンプル例でモデルを学習させた後、未観測のテスト図形への一般化を評価する。
• 基本的な図画操作（例：繰り返し、回転、平行移動）の再帰的構成を可能にする階層的プログラム表現を採用する。

実験結果

リサーチクエスチョン

• RQ1 人間は、最小限の例からのみ学習する際に、どのように抽象的で再利用可能な図画手順を発見するのか？
• RQ2 計算モデルは、効率的なモータープログラム誘導を通じて、同様の抽象的で構成的なプログラムを学習できるか？
• RQ3 モデルが学習したプログラムは、構造的および一般化の観点で、人間が学習した図画戦略とどの程度類似しているか？
• RQ4 抽象化と構成性は、新しい図画概念を迅速で柔軟に学習するのに果たす役割は何か？

主な発見

• 参加者は、新規の図形に一般化可能な、抽象的で構成的な図画戦略を自発的に採用しており、構造的内部表象の存在を示している。
• モデルは、人間が学習した戦略と類似した再利用可能な、プログラム的なサブルーチンを効果的に発見した。これは、同じ少サンプル例での学習にもかかわらず同様に成立した。
• モデルの一般化性能は、未観測のテスト図形においても高く、抽象的で構成的なプログラム誘導による効果的な転送を示している。
• モデルが学習したプログラムは、人間のモーターシーケンスと構造的に類似しており、人間の認知メカニズムと整合している可能性を示唆している。
• 抽象化と構成性は不可欠であった：これらの原則を欠いたモデルは、効果的な一般化に失敗した。
• モデルは、少サンプル図画タスクにおいて人間水準の一般化速度と正確性を達成し、非構成的代替手法を上回った。