論文の概要: Task-Differentiated Atomic Skill Expansion and Routing for Continual Learning Across Highly Heterogeneous Tasks

• arxiv url: http://arxiv.org/abs/2606.21307v1
• Date: Fri, 19 Jun 2026 10:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:26:12.944695
• Title: Task-Differentiated Atomic Skill Expansion and Routing for Continual Learning Across Highly Heterogeneous Tasks
• Title（参考訳）: 高次不均一タスクにおける連続学習のためのタスク識別型原子スキル拡張とルーティング
• Authors: Jiacheng Wang, Xinjia He, Qi Ding, Yutao Yang, Jie Zhou, Liyang Yu, Liang Dou, Qin Chen,
• Abstract要約: 連続学習(CL)は、シーケンシャルなタスクが意味的に関連しているか構造的に類似しているという仮定の下で一般的に研究されている。 textttTASERは、各タスクに導入すべき新しいアトミックスキルの数とアクティベートするスキルを決定するフレームワークである。 textttのHeteroCLBenchの実験によると、TextttTASERは可塑性を改善して破滅的な忘れを減らし、強いベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.331986169435893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning (CL) is commonly studied under the assumption that sequential tasks are semantically related or structurally similar. However, in highly heterogeneous settings, where tasks differ substantially in reasoning patterns and input-output formats, existing methods often suffer from catastrophic forgetting and inefficient capacity allocation. To address this challenge, we propose Task-differentiated Atomic Skill Expansion and Routing (\texttt{TASER}), a CL framework that jointly determines how many new atomic skills to introduce for each task and which skills to activate. The framework first uses atomic skill incremental learning to dynamically expand capacity based on task divergence and model uncertainty. It then applies orthogonality-enhanced skill detection to ensure these skills remain semantically distinct and independently reusable. Finally, a skill dynamic routing mechanism composes task-relevant skills through lightweight task-conditioned gating. We further introduce \texttt{HeteroCLBench}, a highly heterogeneous benchmark for CL, comprising 19 diverse tasks across 9 cognitive dimensions under a standardized sequential protocol. Experiments on \texttt{HeteroCLBench} show that \texttt{TASER} consistently outperforms strong baselines by improving plasticity and reducing catastrophic forgetting.
• Abstract（参考訳）: 連続学習(CL)は、シーケンシャルなタスクが意味的に関連しているか構造的に類似しているという仮定の下で一般的に研究されている。 しかし、タスクが推論パターンや入力出力形式で大きく異なる非常に異質な設定では、既存のメソッドは破滅的な忘れ忘れと非効率なキャパシティ割り当てに悩まされることが多い。 この課題に対処するために、各タスクに導入すべき新しいアトミックスキルの数と起動するスキルを共同で決定するCLフレームワークであるTask-differentiated Atomic Skill Expansion and Routing(\texttt{TASER})を提案する。 このフレームワークはまず、アトミックスキルの漸進学習を使用して、タスクのばらつきとモデルの不確実性に基づいたキャパシティを動的に拡張する。 次に、これらのスキルが意味的に区別され、独立的に再利用可能なことを保証するために、直交性の強化されたスキル検出を適用します。 最後に、スキルダイナミックルーティング機構は、軽量なタスク条件ゲーティングを通じてタスク関連スキルを構成する。 さらに、標準化されたシーケンシャルプロトコルの下で、9つの認知次元にまたがる19のタスクからなる、CLの高度に異質なベンチマークである‘texttt{HeteroCLBench} も導入する。 texttt{HeteroCLBench} の実験では、 \texttt{TASER} は可塑性を改善して破滅的な忘れを減らし、強いベースラインを一貫して上回っている。

関連論文リスト

• Learning New Tasks via Reusable Skills: Skill-Compositional Experts for Embodied Continual Learning [60.37693496953694]
  Embodied Continual Learning (ECL)は、ロボットが新たな操作タスクを継続的に取得できるようにすることを目的としている。 ECLはより深刻な破滅的な忘れ込みに悩まされる。 ECLの主な課題は、継続的に進化するタスクにおける構造化されたスキル再利用である。
  論文  参考訳（メタデータ） (2026-06-14T09:02:49Z)
• SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
  エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。 現在の技術構築手法は、問題を一発抽出として扱う。 本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T12:16:08Z)
• CRAM: Centroid-Routing and Adaptive MoE for Multimodal Continual Instruction Tuning [16.21619173438734]
  MLLM(Multimodal Large Language Models)は、多種多様な視覚言語タスクを、命令チューニングを通じて共有生成フレームワークで統合する。 既存のメソッドは、共有パラメータセットですべてのタスクを更新するか、新しいタスクごとに専用のモジュールを割り当てる。 CRAMはタスク固有のパターンを独立したモジュールに分離することで、タスク間の破滅的な忘れを軽減します。
  論文  参考訳（メタデータ） (2026-06-01T17:11:30Z)
• Decompose and Recompose: Reasoning New Skills from Existing Abilities for Cross-Task Robotic Manipulation [45.91196295385836]
  クロスタスクの一般化は、オープンソースのロボット操作における中核的な課題である。 中間表現としてアトミックなスキルアクションペアを用いたスキル推論フレームワークであるDecomposeとRecomposeを提案する。 われわれのアプローチでは、実演を解釈可能なスキル-アクションアライメントに分解し、モデルが見えないタスクのためにこれらのスキルを再構成できるようにする。
  論文  参考訳（メタデータ） (2026-05-02T13:55:28Z)
• SPECI: Skill Prompts based Hierarchical Continual Imitation Learning for Robot Manipulation [3.1997825444285457]
  動的非構造環境における現実世界のロボット操作は、進化するオブジェクト、シーン、タスクに対して生涯の適応性を必要とする。 伝統的な模倣学習は、生涯適応に不適な静的な訓練パラダイムに依存している。 我々は,ロボット操作のための新しいエンドツーエンドの階層型CILポリシーアーキテクチャである,スキル・プロンプトに基づく階層型連続模倣学習(SPECI)を提案する。
  論文  参考訳（メタデータ） (2025-04-22T03:30:38Z)
• SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
  拡散モデルは、ロボット軌道計画の強力な可能性を示している。 高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。 エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
  論文  参考訳（メタデータ） (2023-12-18T18:16:52Z)
• Combining Modular Skills in Multitask Learning [149.8001096811708]
  モジュラー設計は、ニューラルネットワークが様々な知識の面をアンタングルして再結合し、新しいタスクにより系統的に一般化することを奨励する。 この研究では、各タスクは(潜在的に小さな)インベントリから潜在的な離散スキルのサブセットと関連付けられていると仮定する。 ネットワークのモジュラー設計により、強化学習におけるサンプル効率が著しく向上し、教師あり学習における数ショットの一般化が図られる。
  論文  参考訳（メタデータ） (2022-02-28T16:07:19Z)
• Adversarial Continual Learning [99.56738010842301]
  本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。 本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-21T02:08:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。