inr2action用固定大小权重增量编码机器人记忆

Leann Alhashishi、Christos Margadji与Sebastian William Pattinson提出参数空间记忆框架inr2action，将每段机器人操作片段从共享的元学习初始化出发拟合神经隐式表示，其权重增量（weight delta）作为记忆，大小不随片段长度变化，可从一百帧到十万帧保持固定尺寸。 在RoboMME基准上，语言模型在所有问题类型上超过随机水平，解码器平均R²为0.51；将权重增量替换为等量噪声会使性能下降11.4点，而随机起点的权重不可解码，作者据此称元学习初始化对嵌入片段内容是必要的。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。