تُعدّ السياق المُقدّم في مجموعة الدعم مهمًا لمشاكل بونغاردي

تواجه الطرق الحالية لتعلم الآلة صعوبات في حل مسائل بونغارد، وهي نوع من اختبارات الذكاء التي تتطلب استخلاص مفهوم مجرد من مجموعة من الصور الداعمة الإيجابية والسلبية، ثم تصنيف ما إذا كانت صورة استفسار جديدة تمثل المفهوم الرئيسي أم لا. في Bongard-HOI، وهو معيار لمشاكل بونغارد ذات الصور الطبيعية، وصلت معظم الطرق الحالية إلى أقصى دقة تبلغ 69٪ (بينما يكون المستوى العشوائي 50٪). وغالبًا ما يُعزى انخفاض الدقة إلى قصور الشبكات العصبية في اكتشاف قواعد رمزية مشابهة للبشر. في هذه الدراسة، نشير إلى أن العديد من الطرق الحالية تفقد الدقة بسبب مشكلة أبسط بكثير: فهي لا تُعدّل السمات الصورية بالاعتماد على المعلومات المحتواة في مجموعة الدعم ككل، بل تعتمد بدلاً من ذلك على المعلومات المستخلصة من كل صورة داعمة على حدة. هذه نقطة حرجة، لأن المفهوم الرئيسي في مسألة بونغارد النموذجية غالبًا ما يمكن التمييز بينه فقط باستخدام عدد من الصور الإيجابية والسلبية معًا. ونستعرض طرقًا بسيطة لدمج هذا السياق، ونُظهر مكاسب كبيرة مقارنة بالطرق السابقة، ما يؤدي إلى تحقيق دقة قياسية جديدة على Bongard-LOGO (75.3٪) وBongard-HOI (76.4٪)، مقارنة بالطرق ذات البنية البصرية المكافئة والأداء القوي على مجموعة مسائل بونغارد الأصلية (60.8٪).