Visual Reasoning: learning and composing primitives in an associative memory.

La capacità  di comporre semplici logiche in ragionamenti complessi gioca un ruolo fondamentale nel processo cognitivo umano. Al contrario, nelle moderne applicazioni di reti neurali, il processo di allenamento mira a massimizzare le performance della rete in un singolo compito. Nell'ambito di questa tesi viene proposto un modello, differenziabile end-to-end, capace di apprendere e memorizzare un set di funzioni primitive utile alla composizione del ragionamento. Il modello presentato viene valutato sul dataset CLEVR, in cui la capacità  di comprendere a fondo il contenuto delle immagini ਠindispensabile al fine di rispondere correttamente alle relative domande. Il lavoro preliminare include l'analisi di modelli ispirati alla neural Turing machine, su un dataset sintetico, creato appositamente per esplorare il problema in oggetto della ricerca. Successivamente, viene accuratamente indagata la possibilità  di allenare la rete utilizzando una supervisione debole, confrontando diverse strategie di allenamento delle reti neurali, tra cui varie tecniche di reinforcement learning.