DRAP：免回放的持续学习方法
热点事件历史事件
DRAP：免回放的持续学习方法
1 篇报道1 个报道来源7 天前更新
先了解这件事
AI 综述
研究提出 DRAP，一种免回放的持续学习方法：它用局部轨迹放大风险加权的动作梯度，估计模型张量的历史重要性，并据此缩放各张量的 AdamW 有效学习率。 该方法在 OpenVLA 经 KappaTune 选定的固定子网络上实例化，并在 LIBERO 的 Spatial、Object、Goal 三个套件上做顺序适应。作者称，相比标准 AdamW 微调和 EWC，DRAP 在保持新套件学习能力的同时明显提升了旧行为的保留。
AI 根据报道生成 · 6 天前更新
最新进展11月3日 23:05
DRAP：面向物理AI持续学习的动力学风险自适应可塑性方法报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- HuggingFace Daily PapersDRAP：面向物理AI持续学习的动力学风险自适应可塑性方法
研究提出DRAP，一种免回放的持续学习方法，用局部轨迹放大风险加权的动作梯度估计模型张量的历史重要性，并据此缩放各张量的AdamW有效学习率。该方法在OpenVLA的KappaTune子网络上实例化，在LIBERO Spatial、Object、Goal三个套件上做顺序适应，相比标准AdamW微调和EWC，在保持新套件学习能力的同时明显提升了旧行为的保留。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 311月5日 21:00
- 近 24 小时变化
- –
0123
21:0022:0023:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。