論文の概要: Benchmarking World Models for Continual Learning on Compositional Tasks

• arxiv url: http://arxiv.org/abs/2609.22055v1
• Date: Fri, 18 Sep 2026 17:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.228559
• Title: Benchmarking World Models for Continual Learning on Compositional Tasks
• Title（参考訳）: 構成課題の連続学習のための世界モデルベンチマーク
• Abstract要約: ロボット操作における世界モデルのための構成連続学習ベンチマークを提案する。 具体的には、各タスクカリキュラムを、シーケンスで見られるタスクの側面を組み合わせた構成タスクで設計する。 我々は,動的バックボーンが再利用可能なコンポーネントを含むモジュール型世界モデルとともに,正準連続学習手法による最先端世界モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 14.560880629883394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A desirable property of a world model is the ability to learn continually across tasks, adapting to new environments without forgetting what the agent has already learnt. In particular, the ability to retain and reuse knowledge obtained from prior experiences underpins an agent's ability to efficiently adapt to novel environments, as the dynamics of the physical world can often be described in recurring mechanisms. However, the world model's measure of adaptation entangles two abilities: the speed and capacity to learn unseen tasks, and the reuse of knowledge already acquired, since incoming tasks carry novel content alongside what recurs. In order to isolate knowledge reuse from prior experiences, we propose a compositional continual learning benchmark for world models in robot manipulation. Specifically, we design each task curriculum with compositional tasks that combine aspects of the tasks seen in the sequence. We further factorise this composition along the axes of action and perception to better understand how different input modalities bottleneck knowledge reuse. We evaluate state-of-the-art world models under canonical continual learning methods, alongside a modular world model whose dynamics backbone contains explicitly reusable components. Results show that modularity balances reuse against forgetting better than conventional methods, but none solve the problem fully, leaving clear room for continual world models built to reuse without forgetting. More details are available on our project website: https://object814.github.io/Compositional-Continual-Learning/.
• Abstract（参考訳）: 世界モデルの望ましい特性は、エージェントが既に学んだことを忘れずに、タスクをまたいで継続的に学習し、新しい環境に適応する能力である。 特に、先行経験から得られた知識を保持・再利用する能力は、エージェントが新しい環境に効果的に適応する能力を支えている。 しかし、世界モデルの適応度尺度は、未知のタスクを学習する速度と能力、入ってくるタスクが再帰するコンテンツと一緒に新しいコンテンツを運ぶため、既に獲得した知識の再利用の2つの能力に絡み合っている。 従来の経験から知識再利用を分離するために,ロボット操作における世界モデルのための構成連続学習ベンチマークを提案する。 具体的には、各タスクカリキュラムを、シーケンスで見られるタスクの側面を組み合わせた構成タスクで設計する。 我々は、この構成を行動と知覚の軸に沿って分解し、異なる入力モダリティがいかに知識再利用をボトルネックにするかをよりよく理解する。 我々は,動的バックボーンが再利用可能なコンポーネントを含むモジュール型世界モデルとともに,正準連続学習手法による最先端世界モデルの評価を行った。 結果として、モジュール性は従来の方法よりも優れた再利用のバランスをとるが、その問題を完全に解決することはなく、忘れずに再利用するために構築された継続的な世界モデルのための明確な余地は残っていないことが示される。 詳細はプロジェクトのWebサイト(https://object814.github.io/Compositional-Continual-Learning/)で確認できます。

関連論文リスト

• When Does Continual Learning Require Learning [68.55508958298942]
  継続的学習は単一の能力ではないことを示す。 環境変化の異なるパターンは、根本的に異なる更新動作を必要とする。 それぞれの手法が成功するか、失敗するかを理解することが、より強力な継続的学習システムの設計を導くことを願っている。
  論文  参考訳（メタデータ） (2026-07-08T18:27:40Z)
• Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
  視覚力学モデリングのための新しい連続学習手法を提案する。 まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。 そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• The Effectiveness of World Models for Continual Reinforcement Learning [19.796589322975017]
  選択的な経験リプレイ手法がパフォーマンス, 忘れ, 移動に与える影響について検討する。 Continual-Dreamerはサンプル効率が高く、MinigridおよびMinihackベンチマーク上で、最先端のタスク非依存の継続的強化学習手法より優れています。
  論文  参考訳（メタデータ） (2022-11-29T05:56:51Z)
• Hierarchically Structured Task-Agnostic Continual Learning [0.0]
  本研究では,連続学習のタスク非依存的な視点を取り入れ,階層的情報理論の最適性原理を考案する。 我々は,情報処理経路の集合を作成することで,忘れを緩和する,Mixture-of-Variational-Experts層と呼ばれるニューラルネットワーク層を提案する。 既存の連続学習アルゴリズムのようにタスク固有の知識を必要としない。
  論文  参考訳（メタデータ） (2022-11-14T19:53:15Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• 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)
• Lifelong Infinite Mixture Model Based on Knowledge-Driven Dirichlet Process [15.350366047108103]
  生涯学習における最近の研究成果は、タスクの増加に対応するために、モデルの混合を成長させることが提案されている。 本研究では,データの確率的表現間の差分距離に基づいてリスク境界を導出することにより,生涯学習モデルの理論的解析を行う。 理論解析に着想を得て, 生涯無限混合モデル (LIMix) と呼ばれる新しい生涯学習手法を導入する。
  論文  参考訳（メタデータ） (2021-08-25T21:06:20Z)
• Knowledge-driven Data Construction for Zero-shot Evaluation in Commonsense Question Answering [80.60605604261416]
  本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。 言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。 個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
  論文  参考訳（メタデータ） (2020-11-07T22:52:21Z)
• A Combinatorial Perspective on Transfer Learning [27.7848044115664]
  モジュラーソリューションの学習によって、目に見えない分散データと潜在的に異なる分散データの両方を効果的に一般化することができるかを検討する。 タスクセグメンテーション,モジュール型学習,メモリベースアンサンブルの組み合わせによって,指数関数的に増加する多くの未確認タスクの一般化がもたらされる。
  論文  参考訳（メタデータ） (2020-10-23T09:53:31Z)

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。