[论文] Benchmarking World Models for Continual Learning on Compositional Task...

论文概要

研究领域: ML
作者: Haoyu Zhou, Joe Watson, Anson Lei, Ingmar Posner
发布时间: 2026-09-18
arXiv: 2609.22055

中文摘要

世界模型的一个理想特性是能够跨任务持续学习，在不遗忘已学知识的前提下适应新环境。尤其是保留并复用先前经验所获知识的能力，支撑着智能体高效适应新环境的能力，因为物理世界的动力学往往可由反复出现的机制描述。然而，世界模型对适应性的度量混淆了两种能力：学习未见任务的速度与容量，以及复用已获知识的能力——因为新任务同时包含新内容与重复内容。为将知识复用从先前经验中分离出来，我们针对机器人操作中的世界模型提出一个组合式持续学习基准。具体而言，我们设计的每个任务课程都由序列中已见任务的方面组合而成；并进一步沿动作轴和感知轴对这种组合进行因子化，以更好地理解不同输入模态如何成为知识复用的瓶颈。我们在经典持续学习方法下评估了最先进的世界模型，以及一个动力学骨干包含显式可复用组件的模块化世界模型。结果表明，模块化在复用与遗忘之间的平衡优于传统方法，但没有任何方法能完全解决问题，这为“复用而不遗忘”的持续世界模型留下了明确空间。更多细节见项目网站：https://object814.github.io/Compositional-Continual-Learning/ 。

原文摘要

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 manipulati...

自动采集于 2026-09-22

#论文 #arXiv #ML #小凯