論文の概要: SARAM: Sparse Adapter Allocation with Reuse and Merging for Lifelong Robot Learning

• arxiv url: http://arxiv.org/abs/2610.24804v1
• Date: Sat, 17 Oct 2026 18:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:07:33.228103
• Title: SARAM: Sparse Adapter Allocation with Reuse and Merging for Lifelong Robot Learning
• Title（参考訳）: SARAM:生涯ロボット学習のための再利用・統合型スパースアダプタアロケーション
• Abstract要約: タスクストリーム長に依存しないGPUメモリとステップ単位の推論コストを維持しながら,ストレージの増大を制限する,生涯学習フレームワークSARAMを提案する。 4つのLIBEROスイートにまたがって、SARAMはアダプタベースのベースラインと一致し、タスクごとに最大4.5倍のオンディスク状態を追加します。
• 参考スコア（独自算出の注目度）: 18.253407376508438
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lifelong robot learning requires acquiring new tasks sequentially without forgetting earlier ones. With large pre-trained vision-language-action (VLA) backbones, adapter-based methods effectively mitigate this challenge. However, their task-specific adapters and selection modules accumulate with the task stream, creating a scalability challenge in on-disk storage and deployment cost under fixed onboard resource budgets. We propose SARAM, a lifelong learning framework that limits storage growth while keeping GPU memory and per-step inference cost independent of the task stream length. For each new task, SARAM reuses frozen adapters from previous tasks and introduces new adapters only at sparsely selected layers, with a duplication penalty encouraging them to capture information not already represented by the adapter library. At deployment, a compact signature derived from backbone activation statistics identifies the task once per episode, and the corresponding task update is merged into the backbone, leaving only the backbone in the control loop. Across four LIBERO suites, SARAM matches or exceeds adapter-based baselines while adding up to 4.5x less on-disk state per task. GPU memory usage and control frequency remain comparable to those of the backbone as the task stream grows. Experiments on a real UR5 arm with a different backbone further demonstrate retention throughout a sequential task stream.
• Abstract（参考訳）: 生涯にわたるロボット学習は、以前のタスクを忘れずに、順次新しいタスクを取得する必要がある。 大きなトレーニング済みの視覚言語アクション(VLA)バックボーンにより、アダプタベースの手法がこの課題を効果的に軽減する。 しかし、タスク固有のアダプタと選択モジュールはタスクストリームに蓄積され、オンディスクストレージにおけるスケーラビリティ上の課題と、リソース予算の固定化によるデプロイメントコストが発生する。 タスクストリーム長に依存しないGPUメモリとステップ単位の推論コストを維持しながら,ストレージの増大を制限する,生涯学習フレームワークSARAMを提案する。 新しいタスクごとに、SARAMは以前のタスクから凍結したアダプタを再利用し、疎選択層のみに新しいアダプタを導入する。 展開時には、バックボーンのアクティベーション統計から導かれるコンパクトなシグネチャがエピソード毎にタスクを識別し、対応するタスク更新がバックボーンにマージされ、バックボーンのみがコントロールループに残される。 4つのLIBEROスイートにまたがって、SARAMはアダプタベースのベースラインと一致し、タスクごとに最大4.5倍のオンディスクステートを追加します。 GPUメモリ使用率と制御周波数は、タスクストリームの増大に伴ってバックボーンのそれと同等である。 異なるバックボーンを持つ実際のUR5アームの実験は、シーケンシャルなタスクストリーム全体の保持をさらに示す。

関連論文リスト

• PORTER: Edge-Cloud Residency for Persistent 3D Scene Graph Memory [15.213004129559627]
  タスクが変化するにつれて、以前のタスクに蓄積されたペイロードは現在のタスクとは無関係になるかもしれないが、将来のタスクでは再び有用になる。 我々は、持続性を常駐から切り離す Porterを紹介します。 そこで我々は, 各タスクを機能要件に分解し, オフロードによる要求カバレッジの損失を測定するIrreplaceable Support Erasure (ISE)を導入する。
  論文  参考訳（メタデータ） (2026-09-27T05:59:55Z)
• One Adapter, Many Tasks: Task-Conditioned Feature Transformations for Continual Learning [45.405420567098155]
  textbfFACET: task-conditioned textbfFetextbfAture transformation with textbfConditiontextbfEd feature consistextbfTency。 本手法は,トレーニング可能なパラメータとGFLOPを著しく少なくし,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-08-31T17:03:45Z)
• UniMem: Complementary Episodic-to-Parametric Memory for Boundary-Agnostic Task Streams [77.52140119830241]
  自律型メモリ管理のためのセルフルーティングフレームワークUniMemを提案する。 UniMemは学習可能なルーティングトークンをメモリコントローラとして使用し、相補的なメモリ経路間の適応的な調整を可能にする。 長距離ストリーミングタスクシーケンスの実験では、UniMemは実行の忠実さを維持しながらベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-28T17:28:21Z)
• Latent-LoRA: Compact Latent-Space Adapters with Gradient-Free Routing for Continual Learning [2.749219725903528]
  大規模言語モデルは個々のタスクによく当てはまるが、それらをシーケンシャルに学習する固有のメカニズムは欠如している。 LoRAベースの連続学習手法はタスクごとに個別の低ランクアダプタを割り当てるが、既存のアプローチでは推論時にタスクの同一性を必要とするか、全てのアダプタを無差別にまとめる必要がある。 最近のゲーティングベースのソリューションは、正しいアダプタへの入力をルートするが、それ自体が忘れることを防ぐために保護を必要とするトレーニング可能なパラメータを導入する。 Latent-LoRAはリプレイフリーで、トレーニング可能なルーティングコンポーネントを必要としない。
  論文  参考訳（メタデータ） (2026-07-26T20:42:56Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
  実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。 タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。 主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2026-03-10T07:28:41Z)
• CLARE: Continual Learning for Vision-Language-Action Models via Autonomous Adapter Routing and Expansion [9.808005698482914]
  CLAREは、視覚-言語-アクションモデルによる模範のない連続学習のためのフレームワークである。 CLAREは,従来のタスクを壊滅的に忘れることなく,新しいタスクにおいて高いパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-01-14T14:23:42Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• PECTP: Parameter-Efficient Cross-Task Prompts for Incremental Vision Transformer [76.39111896665585]
  インクリメンタルラーニング(IL)は、シーケンシャルタスクの深いモデルを継続的に学習することを目的としている。 近年の大規模事前訓練モデル (PTM) は, 従来の試料を含まない実用ILにおいて, 即時的手法により優れた性能を発揮している。
  論文  参考訳（メタデータ） (2024-07-04T10:37:58Z)
• Memory Gym: Towards Endless Tasks to Benchmark Memory Capabilities of Agents [4.371266695484245]
  Memory GymはMortar Mayhem、Mystery Path、Searing Spotlightsという2D部分的に観測可能な環境のスイートを提供する。 これらの環境は、もともと有限のタスクを持ち、革新的で無限のフォーマットに拡張され、"I pack my bag"のような累積記憶ゲームにおけるエスカレーションの課題を反映している。
  論文  参考訳（メタデータ） (2023-09-29T12:59:28Z)

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。