09:41官方账号arXiv cs.LG@Louis Mouchon这篇论文提出,编码器隐空间上的小预测器计算的惊喜信号,既能作为可塑性门控,也能支持元认知。在第一个系统中,基于DINOv2或I-JEPA骨架的非参数情景记忆在持续学习1000类ImageNet时,通过离线复述分别恢复17.7和51.3个百分点的旧类保留率。第二个系统将相同信号用于视觉语言模型,使其在已知概念时断言、陌生时拒绝并请求解释,AUROC达0.966。经过睡眠阶段后,系统能回忆99.2%的教过事实,而基线模型为0%。论文DINOv2I-JEPAImageNet持续学习元认知推荐理由:这篇论文用同一个惊喜信号同时解决了持续学习的灾难性遗忘和VLM的元认知问题,效果很漂亮,值得做记忆或VLM的朋友看看。原文
12:29官方账号arXiv cs.AI@Heejeong Nam, Chandradithya S Jonnalagadda, Harshit Aggarwal, Eric Xu, Randall BalestrieroObserved Transition Factorization (OTF) 将每个过渡分解为稀疏的观察过渡原语,用于解耦智能体动作与干扰物、相机动态等。基于此,OTF-LAM 在标准逆向正向动力学框架中将运动原语抽象为动作潜变量,而 OTF-LAM-Dino 则在冻结的 DINOv2 表示空间中预测未来状态,无需解码器。实验表明,OTF 原语在控制载体和形态变化下零样本迁移,下游策略学习性能在复杂过渡歧义下匹配或优于基线。论文OTF-LAMOTFDINOv2智能体歧义运动原语推荐理由:这篇论文提出了新方法 OTF,能在有干扰的场景下解耦动作源。OFT-LAM 和 OFT-LAM-Dino 两种变体在零样本迁移和复杂环境下表现不错,适合做多物体交互推理的研究者看看。原文