摘要

当前机器学习方法在解决Bongard问题方面仍面临显著挑战。Bongard问题是一类类似于智商测试的任务，要求从一组正例（positive）和负例（negative）“支撑图像”中推导出一个抽象的“概念”，并判断新的查询图像是否体现了该核心概念。在面向自然图像的Bongard-HOI基准上，现有大多数方法的最高准确率仅为69%（随机猜测的基准为50%）。低准确率通常归因于神经网络难以发现类似人类的符号化规则。在本研究中，我们指出，许多现有方法在性能上的局限性实际上源于一个更为基础的问题：它们未能充分利用支撑集整体所包含的信息来动态调整图像特征，而是仅依赖于从单个支撑样本中提取的局部信息。这一问题尤为关键，因为典型的Bongard问题中的“核心概念”往往需要结合多个正例与多个负例才能被有效区分。为此，我们探索了若干简单而有效的机制以引入上下文信息，并在实验中取得了显著性能提升。相较于采用相同视觉主干网络架构且在原始Bongard数据集上表现优异的方法（准确率为60.8%），我们的方法在Bongard-LOGO和Bongard-HOI两个基准上分别达到了75.3%和76.4%的新SOTA（state-of-the-art）准确率。