論文の概要: What Should World Models Forget? Stratified Retention for Continual Adaptation

• arxiv url: http://arxiv.org/abs/2610.03713v1
• Date: Fri, 02 Oct 2026 17:58:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.559743
• Title: What Should World Models Forget? Stratified Retention for Continual Adaptation
• Title（参考訳）: 世界モデルは何を忘れるべきか? 継続的適応のための階層的保持
• Abstract要約: 連続学習は、予め見てきたデータの劣化を失敗の証拠として扱い、定常的な予測対象の設定から継承される慣例である。 世界モデルはこの条件を満たさない。 彼らの予測対象は環境であり、それが変化するので、取得時に正確であった知識は後に誤りになり、欠陥ではなく必要な振る舞いを破棄する。
• 参考スコア（独自算出の注目度）: 50.195237138805886
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Continual learning treats degradation on previously seen data as evidence of failure, a convention inherited from settings with a stationary prediction target, where a correct label remains correct indefinitely. World models do not satisfy this condition. Their prediction target is the environment, which changes, so knowledge that was accurate when acquired may later become false, and discarding it is required behavior rather than a defect. Non-stationary ground truth is well studied in the concept drift literature and in the temporal factuality of language models, but has not been formulated for world models, which are distinctive in that they also encode knowledge that must never be revised. We argue that continual world models require retention stratified by invariance timescale, separating invariants such as physics and object permanence, which must never be revised, from instance-level facts that should be revised as soon as the environment changes. Standard forgetting metrics cannot distinguish a world model that has correctly revised outdated knowledge from one that has suffered catastrophic forgetting, and consequently rank a frozen model highest, while existing physical-reasoning benchmarks evaluate only frozen checkpoints. We propose differential retention, which reports invariant regression testing across the adaptation stream jointly with revision latency, without aggregation.
• Abstract（参考訳）: 連続学習は、予め見てきたデータの劣化を失敗の証拠として扱い、定常予測ターゲットの設定から継承した規約であり、正しいラベルが無期限に正しいままである。 世界モデルはこの条件を満たさない。 彼らの予測対象は環境であり、それが変化するので、取得時に正確であった知識は後に誤りになり、欠陥ではなく必要な振る舞いを破棄する。 非定常基底真理は、ドリフト文学や言語モデルの時間的事実性においてよく研究されているが、世界モデルでは定式化されていない。 我々は、連続世界モデルは、不変時間スケールで階層化された保持を必要とし、物理や物体の永続性のような不変性は、環境が変化するとすぐに修正されるべき事例レベルの事実から、決して修正されなければならない。 標準的な忘れ基準は、古い知識を正しく修正した世界モデルと破滅的な忘れを被った世界モデルとを区別することができず、その結果、既存の物理推論ベンチマークは凍結チェックポイントのみを評価する。 本稿では,アダプティブストリーム全体にわたる不変回帰テストと,アグリゲーションを伴わないリビジョン遅延を併用して報告する差分保持法を提案する。

関連論文リスト

• Where World Models Break: Natural-Input Failure Discovery [13.330611636170103]
  本研究では, 自然入力障害発見問題を定式化し, 重度の予測リスクを生じさせる環境変数条件と行動プレフィックスを求める。 本研究では,不確実性誘導型グローバルサーチと型付き局所置換器とのペアリングにより,有効な入力の基盤構造を利用するBassenLensを提案する。
  論文  参考訳（メタデータ） (2026-08-23T13:53:15Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Evaluating Uplift Modeling under Structural Biases: Insights into Metric Stability and Model Robustness [8.135022024189306]
  パーソナライズされたマーケティングにおいて、アップリフトモデルは、代替的な治療の下で顧客行動がどのように変化するかをモデル化することによって、漸進的な効果を推定する。 実世界のデータは、選択バイアス、こぼれ効果、未観測の混ざりなど、しばしばバイアスを示す。
  論文  参考訳（メタデータ） (2026-03-21T11:54:25Z)
• Certainty-Validity: A Diagnostic Framework for Discrete Commitment Systems [0.0]
  「マシーン学習評価尺度」は、全てのエラーが等価な離散的なコミットメントシステムであると仮定する。 信頼不正確」な振る舞いは、モデルが曖昧なデータの中で構造を幻覚させる場所である。 推論システムのための「Good Training」は、精度ではなく、Certainty-Validity Scoreの最大化によって定義されなければならない。
  論文  参考訳（メタデータ） (2026-02-10T21:53:02Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation [35.62945607302276]
  本稿では,PriSTI という先行モデルを用いた時空間計算のための条件拡散フレームワークを提案する。 PriSTIは、さまざまな現実世界データの欠落パターンにおいて既存の計算方法よりも優れており、高い欠落率やセンサーの故障といったシナリオを効果的に処理する。
  論文  参考訳（メタデータ） (2023-02-20T03:52:53Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)

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。