MARC

 008250123s2024        us                              c    eng  d
■001000017163427
■00520250211152706
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342709873
■035    ▼a(MiAaPQ)AAI31488377
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aZhou,  Yanli.
■24510▼aCompositional  Visual  Learning  and  Reasoning  in  Humans  and  Machines
■260    ▼a[Sl]▼bNew  York  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a103  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Lake,  Brenden  M.
■5021  ▼aThesis  (Ph.D.)--New  York  University,  2024.
■520    ▼aHumans  leverage  compositionality  to  efficiently  learn  new  visual  concepts,  understanding  how  familiar  parts  can  be  combined  to  form  novel  objects.  Moreover,  our  conceptual  knowledge  of  these  novel  objects  is  often  enhanced  by  understanding  how  parts  relate  to  their  functions  and  how  composing  the  parts  relates  to  composing  the  functions.  In  contrast,  popular  computer  vision  models  struggle  to  make  the  same  types  of  inferences,  requiring  more  data  and  generalizing  less  flexibly  than  people  do.In  this  thesis,  we  explore  two  aspects  of  human  visual  learning  and  reasoning.  We  first  study  the  unique  human  capability  to  learn  visual  concepts  across  a  range  of  different  types  of  visual  composition,  examining  how  people  classify  and  generate  a  novel  class  of  abstract  visual  concepts  with  rich  relational  structures.  We  also  examine  how  functions  are  learned  and  represented  by  humans  from  limited  visual  observations  and  the  ability  to  perform  zero-shot  function  compositions  in  various  interaction  conditions.  In  all  studies,  we  compare  humans  with  computational  models  directly  on  the  same  set  of  learning  tasks,  shedding  light  on  whether  computational  models,  including  Bayesian  program  induction  models  and  meta-learning  neural  networks,  can  perform  compositional  visual  concept  and  function  learning  in  the  complete  and  complex  way  humans  do.
■590    ▼aSchool  code:  0146.
■650  4▼aCognitive  psychology
■650  4▼aComputer  science
■650  4▼aPsychology
■653    ▼aBayesian  modeling
■653    ▼aCognitive  modeling
■653    ▼aCompositionality
■653    ▼aConcept  learning
■653    ▼aMeta-learning
■653    ▼aReasoning
■690    ▼a0633
■690    ▼a0984
■690    ▼a0621
■71020▼aNew  York  University▼bCenter  for  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0146
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163427▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books