论文提出世界模型分层遗忘与差异化保留指标
热点事件持续更新
论文提出世界模型分层遗忘与差异化保留指标
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Nishit Anand 等在 arXiv 论文《What Should World Models Forget?》中提出,持续学习的世界模型应按不变性时间尺度分层保留知识:物理定律等不变量只能精化、不可退化,环境变化后的实例级事实则应被修订。该论文已被 NeurIPS 2026 持续世界模型研讨会接收。 作者指出,标准遗忘指标会把正确修订误判为遗忘,从而把冻结不更新的模型排为最优。为此论文提出差分保留方法,分别报告两项指标:不变量保留率(每轮适应后检查)和修订延迟(模型察觉变化所需的观测次数)。
AI 根据报道生成 · 3 小时前更新
最新进展11月16日 13:00
世界模型应该遗忘什么?面向持续适应的分层保留策略报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv cs.AI世界模型应该遗忘什么?面向持续适应的分层保留策略
一篇 NeurIPS 2026 持续世界模型研讨会论文提出,持续学习的世界模型应按不变性时间尺度分层保留知识:物理定律等不变量只能精化不可退化,环境变化后的实例级事实则应被修订。作者指出标准遗忘指标会把正确修订误判为遗忘,从而把冻结模型排为最优,并提出差分保留方法,分别报告不变量保留率和修订延迟两项指标。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。