論文の概要: Selective Knowledge Control for Continual GUI Agent Learning over Application Streams

• arxiv url: http://arxiv.org/abs/2609.06530v1
• Date: Sun, 06 Sep 2026 10:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 05:23:14.810985
• Title: Selective Knowledge Control for Continual GUI Agent Learning over Application Streams
• Title（参考訳）: アプリケーションストリームを用いた連続GUIエージェント学習のための選択的知識制御
• Abstract要約: 本稿では,ニューロンレベルの勾配操作による選択的知識保持を実現する,アクティベーション条件付き選択的知識制御を提案する。 本手法は, 従来の知識を保存した高活性化ニューロンを保護するために, コンパクトな歴史知識状態を維持する。 マルチアプリケーションシーケンシャル・ベンチマークの実証評価により,本手法は,新しいアプリケーションへのロバストな適応を維持しつつ,先行アプリケーションに対する破滅的な忘れを効果的に軽減することを示した。
• 参考スコア（独自算出の注目度）: 40.53437875456334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning is a crucial capability for Graphical User Interface (GUI) agents to adapt to evolving applications while retaining knowledge acquired from previous applications. Such application streams pose a challenging knowledge modeling problem: new applications often share underlying knowledge with past ones, yet also introduce specific knowledge that must not interfere with historical knowledge. In this paper, we propose activation-conditioned selective knowledge control, a lightweight method that achieves selective knowledge retention via neuron-level gradient manipulation. Our method maintains a compact historical knowledge state to protect highly activated MLP neurons that preserve previous knowledge. When a new application arrives, it performs real-time gradient surgery conditioned on forward activation. Concretely, the protected neurons are categorized into two types: unactivated neurons holding specific knowledge, whose gradients are truncated to prevent interference; and activated neurons holding shared knowledge, whose gradients are orthogonally projected to preserve stability while enabling adaptation. After each application stage, newly identified critical neurons are merged into the historical state for future learning. Empirical evaluations on multi-app sequential benchmark demonstrate that our method effectively mitigates catastrophic forgetting on prior applications while sustaining robust adaptation to new ones.
• Abstract（参考訳）: 連続学習は、グラフィカルユーザインタフェース(GUI)エージェントが、以前のアプリケーションから取得した知識を維持しながら、進化するアプリケーションに適応するための重要な能力である。 新しいアプリケーションは、しばしば過去の知識と基礎的な知識を共有するが、同時に、歴史的知識に干渉してはいけない特定の知識も導入する。 本稿では,ニューロンレベルの勾配操作による選択的知識保持を実現する軽量な方法であるアクティベーション条件の選択的知識制御を提案する。 本手法は,従来の知識を保存した高度に活性化されたMLPニューロンを保護するために,コンパクトな歴史的知識状態を維持する。 新しいアプリケーションが到着すると、前方アクティベーションを条件としたリアルタイム勾配手術を行う。 具体的には、保護されたニューロンは、特定の知識を有する非活性化ニューロンと、干渉を防ぐために勾配が切り離されている活性化ニューロンと、適応を可能としながら安定性を維持するために直交的に勾配が投影される共有知識を有する活性化ニューロンの2種類に分類される。 各応用段階の後、新たに同定された臨界ニューロンは、将来の学習のための歴史的状態にマージされる。 マルチアプリケーションシーケンシャルベンチマークの実証評価により,本手法は先行アプリケーションに対する壊滅的忘れを効果的に軽減し,新しいアプリケーションへのロバストな適応を維持できることを示した。

関連論文リスト

• BID-LoRA: A Parameter-Efficient Framework for Continual Learning and Unlearning [0.7865560760233441]
  我々は,CLU(Continuous Learning Unlearning)を,不要な知識の正確な削除,事前情報を保存しながら新たな知識の効率的な統合,サイクル間の知識リークを最小限にする,という3つの主要な目標を持った統一パラダイムとして定式化する。 BID-LoRA(Bi-Directional Low-Rank Adaptation)は、3つの専用アダプタパスが保持され、新しく、未学習で注意層に適用される新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-04-14T12:57:56Z)
• Tell Me What To Learn: Generalizing Neural Memory to be Controllable in Natural Language [5.152185933694933]
  連続的な微調整とコンテキスト内学習はコストが高く、脆弱であるのに対して、ニューラルメモリメソッドは、最小限の忘れを伴って軽量な更新を約束する。 本稿では,自然言語で指定された学習命令に基づいてフレキシブルな更新を行う汎用型ニューラルメモリシステムを提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:50:52Z)
• Continual Knowledge Adaptation for Reinforcement Learning [37.4253231932861]
  強化学習により、エージェントは環境との相互作用を通じて最適な行動を学ぶことができる。 歴史的知識の蓄積と有効活用を可能にする強化学習のための継続的知識適応(CKA-RL)を提案する。 3つのベンチマーク実験により、提案したCKA-RLは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-22T07:25:41Z)
• Hierarchical Subspaces of Policies for Continual Offline Reinforcement Learning [19.463863037999054]
  我々は,学習エージェントが獲得したスキルセットを維持しながら,新たなタスクに継続的に適応しなければならない継続的強化学習の仕組みを考察する。 オフラインデータからナビゲーション設定を継続学習するために設計された,新しい階層型フレームワークであるHiSPOを紹介する。 本研究では,MuJoCo迷路環境と複雑なゲームライクなナビゲーションシミュレーションの両方において,本手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-12-19T14:00:03Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Continual Prompt Tuning for Dialog State Tracking [58.66412648276873]
  望ましいダイアログシステムは、古いスキルを忘れずに継続的に新しいスキルを学ぶことができるべきである。 本稿では,タスク間の知識伝達を可能にするパラメータ効率フレームワークであるContinuous Prompt Tuningを提案する。
  論文  参考訳（メタデータ） (2022-03-13T13:22:41Z)
• Preserving Earlier Knowledge in Continual Learning with the Help of All Previous Feature Extractors [63.21036904487014]
  時間とともに新しい知識の継続的な学習は、インテリジェントシステムがより多くのオブジェクトのクラスを認識するのに望ましい能力の1つである。 これまでに学んだすべての特徴抽出器をインテリジェントモデルに組み込むことで、シンプルで効果的な融合メカニズムを提案します。 複数の分類タスクの実験により,提案手法は従来の知識の忘れを効果的に減らし,最先端の継続的学習性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2021-04-28T07:49:24Z)
• Towards Efficient Processing and Learning with Spikes: New Approaches for Multi-Spike Learning [59.249322621035056]
  各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。 特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。 提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
  論文  参考訳（メタデータ） (2020-05-02T06:41:20Z)
• Continual Deep Learning by Functional Regularisation of Memorable Past [95.97578574330934]
  知的システムにとって、新しいスキルを継続的に学習することは重要だが、標準的なディープラーニング手法は、過去の破滅的な忘れ物に悩まされている。 本稿では, 過去の記憶に残るいくつかの例を, 忘れることを避けるために活用する機能正規化手法を提案する。 提案手法は,標準ベンチマーク上での最先端性能を実現し,正規化とメモリベースの手法を自然に組み合わせた生涯学習の新たな方向性を開拓する。
  論文  参考訳（メタデータ） (2020-04-29T10:47:54Z)

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。