利用以对象为中心的模型与MDL原则应对抽象与推理语料库（ARC）
Tackling the Abstraction and Reasoning Corpus (ARC) with Object-centric Models and the MDL Principle
AI总结：
本文提出以对象为中心的模型并结合MDL原则来高效搜索模型空间，以解决ARC中仅凭少量示例生成彩色网格的任务，并能同时给出输入输出对的联合描述，验证了方法的通用性。
摘要：
抽象与推理语料库（ARC）是一个具有挑战性的基准，旨在推动人工智能研究向人类水平智能发展。它由一系列独特的任务组成，这些任务涉及生成彩色网格，且仅通过少量示例加以说明。与现有工作中基于变换的程序不同，我们引入了以对象为中心的模型，这些模型与人类产生的自然程序相一致。我们的模型不仅能够进行预测，还能为输入/输出对提供联合描述。我们使用最小描述长度（MDL）原则来高效搜索庞大的模型空间。我们解决了一系列多样化的任务，并且学习到的模型与自然程序相似。通过将该方法应用于一个不同的领域，我们证明了其通用性。
英文摘要：
The Abstraction and Reasoning Corpus (ARC) is a challenging benchmark, introduced to foster AI research towards human-level intelligence. It is a collection of unique tasks about generating colored grids, specified by a few examples only. In contrast to the transformation-based programs of existing work, we introduce object-centric models that are in line with the natural programs produced by humans. Our models can not only perform predictions, but also provide joint descriptions for input/output pairs. The Minimum Description Length (MDL) principle is used to efficiently search the large model space. A diverse range of tasks are solved, and the learned models are similar to the natural programs. We demonstrate the generality of our approach by applying it to a different domain.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
