第四名解决方案

首先，我想向 Kaggle 和 ARC Prize 组织者致以最诚挚的感谢，感谢他们举办了这场非凡的比赛，这对于提高意识并推进解决人工通用智能（AGI）挑战的努力至关重要。

代码链接如下：https://www.kaggle.com/code/williamwu88/fork-of-small-sample-arc24-7d97ca

• 该 Notebook 主要使用了经典技术，如 DSL（领域特定语言）、决策树、CNNs，并建立在 2020 年比赛的获胜解决方案之上，利用 2024 年引入的更新和增强的计算能力进行了改进。这些变化提高了算法效率和适应性，并通过集成技术提高了分数。

• 该 Notebook 整合了 2020 年比赛顶级解决方案的见解，例如 DSL，已证明对解决多个任务有效。参考了参与者如 @icecuber、@golubev、@szabo7zoltan、@ilialar、@mehrankazeminia 和 @somayyehgholami 的作品，并根据需要进行了修改。我们还参考了 Michael Hodel 及其团队关于 ARC-DSL 的公共 GitHub 仓库（https://github.com/michaelhodel/arc-dsl）。

• 2024 年解决方案分数高于 2020 年解决方案的一个关键因素是 Kaggle Kernels 计算能力的增加（增加到 30 GB RAM），以及允许的时间（从 9 小时增加到 12 小时）。这使我们能够以更大的搜索深度运行算法，运行更长的 epoch，以及在集成中容纳更多的模型。

使用的机器学习技术列表（大致按重要性排序）：

• DSL（领域特定语言）以及对有向无环图（DAG）的搜索
• 决策树
• 卷积神经网络（CNNs）
• 数据增强和预处理（如对角翻转、颜色切换、使用对称性等）

对于集成学习，使用的关键技术包括多数投票、自定义逻辑（例如，icecuber 的解决方案被手动优先处理并免除多数投票）和概率试验（其中选择模型的概率大致与其解决的新问题数量成正比）。

总的来说，我没想到会使用经典机器学习技术进入获奖位置（原来是第 7 位，在一些团队退出后变为第 4 位）。总之，在阅读了解决方案后，我坚信顶级团队的测试时训练（TTT）方法目前是最先进的，也是最有希望的方法。时间会证明 TTT 是否足以破解 ARC Prize！

再次感谢 Kaggle 和 ARC Prize 组织者！