DIRCR: 이중 추론 규칙-대조 학습을 통한 RAVEN 문제 해결

DIRCR: Dual-Inference Rule-Contrastive Reasoning for Solving RAVENs

시각적 추론은 여전히 어려운 과제로 남아 있으며, 기존 방법들은 종종 전역적인 맥락 또는 행 단위 관계 중 하나에 치중하여 두 가지를 통합하지 못하고, 중간 특징 제약 조건이 부족하여 규칙을 완전히 파악하지 못하고 표현이 복잡해지는 경향이 있습니다. 이러한 문제점을 해결하기 위해, 본 논문에서는 이중 추론 규칙-대조 학습(DIRCR) 모델을 제안합니다. DIRCR의 핵심 구성 요소인 이중 추론 추론 모듈은, 게이티드 어텐션 메커니즘을 통해 통합된, 행 단위의 유추 추론을 위한 로컬 경로와 전체적인 추론을 위한 글로벌 경로를 결합합니다. 또한, 규칙-대조 학습 모듈은 가짜 레이블을 사용하여 긍정 및 부정 규칙 샘플을 구성하고, 대조 학습을 적용하여 특징의 분리도를 향상시키고 추상적이고 일반화 가능한 규칙 학습을 촉진합니다. 세 개의 RAVEN 데이터 세트에 대한 실험 결과는 DIRCR이 추론의 견고성 및 일반화 능력을 크게 향상시킨다는 것을 보여줍니다. 코드는 https://github.com/csZack-Zhang/DIRCR 에서 확인할 수 있습니다.

Abstract visual reasoning remains challenging as existing methods often prioritize either global context or local row-wise relations, failing to integrate both, and lack intermediate feature constraints, leading to incomplete rule capture and entangled representations. To address these issues, we propose the Dual-Inference Rule-Contrastive Reasoning (DIRCR) model. Its core component, the Dual-Inference Reasoning Module, combines a local path for row-wise analogical reasoning and a global path for holistic inference, integrated via a gated attention mechanism. Additionally, a Rule-Contrastive Learning Module introduces pseudo-labels to construct positive and negative rule samples, applying contrastive learning to enhance feature separability and promote abstract, transferable rule learning. Experimental results on three RAVEN datasets demonstrate that DIRCR significantly enhances reasoning robustness and generalization. Codes are available at https://github.com/csZack-Zhang/DIRCR.