Bu tədqiqat, robotların değişen real dünya koşullarına uyum storlamasında iki fərqli öğrenme mekanizmasını müqayisəktadır: təcrübəimler arasında kalıcı struktursal düzenlilikleri model parametrelerine işleyen çıxarımsal struktur öyrənməsi (Inferred-Structure Learning, IS) və model parametrelerini değiştirmeden mevcut örneklerden anlık görev kuralı çıkaran kontekst daxilində öyrənmə (In-Context Learning, ICL). Tədqiqatçılar, MAML tabanlı bir IS ajanı ilə küçük bir transformer tabanlı ICL ajanını aynı destek və sorğu vəriləri üzerinde karşılaştırmış; struktursal değişimlerde IS’nin, her bölümde tamamen değişen btorlamsal kurallarda isə ICL’nin üstün olactorını öngören iyerarxik Bayesçi bir çerçevə geliştirmiştir. On iki kontrollü təcrübəde sintetika və robot ölçekli vərilər bu tamamlayıcılığı güclü biçimde desteklemiş; Niryo Ned3 Pro robotundan toplanan 2.400 real proprioseptiv gözlemde IS, struktursal değişimler altında ICL’yi anlamlı biçimde geride bırakmıştır. Ancaq real robot təcrübəindeki sinif etikaetləri sintetika olaraq atanmış, robotun qapalı dövrəli fiziki tapşırıq başarısı ölçülmemiş və real vərideki btorlamsal ICL üstünlüğü istatistiksel anlamlılığa ulaşmamıştır.

Tədqiqatnın temel sonucu, IS ilə ICL’nin birbirinin yerine geçecek rakip teknikler olmadığıdır. IS, birçok təcrübə və ya görev boyunca tekrar eden fiziki və niyəsel strukturları kalıcı parametrelere aktarırken; ICL, tek bir görev sırasında vərilən yeni örnekleri, talimatları və ya hedef eşlemelerini sürətla yorumlamaktadır. Tədqiqatçılar bu niyəle kalıcı bir dünya modeli, dondurulmuş bir btorlamsal akıl yürütme modulü və iki çıktıyı koşula göre birleştiren öğrenilmiş bir keçid mexanizmindan oluşan üç qatlı bir robotik biliş arxitekturası təklifktedir.

Türkiyə baxımından ne ifade etmektedir?

Türkiyədə otomotiv, beyaz eşya, savunma, lojistik, tarım texnologiyaleri və esnek üretim hatlarında kullanılan robotlar; ürün torırlığı, sürtünmə, ekipman aşınması, tədqiqat tezgâhı düzeni və üretim hedefleri gibi dəyişənlerle karşılaşmaktadır. Bu tədqiqat, fiziki strukturda tekrarlanan değişimlerin uzun dəhəmiyyətli bir struktursal modelle, vardiya və ya sipariş bazında değişen talimatların isə btorlam içi çıkarımla yönetilmesini öneren kavramsal bir tasarım ilkesi sunmaktadır.

Türkiyədə uygulanabilirlik üçün sintetika təsnifat təcrübəlerinin ötesine geçilmesi gerekir. türk dili təbii dil talimatları, yerli üretim hatlarındaki sensor düzenleri, fərqli robot markaları, real yük və sürtünmə değişimleri, təhlükəsizlik standartları və fiziki görev başarı ölçütleriyle qapalı dövrə təcrübəler strukturlmalıdır. Tədqiqatnın nəticələri, önerilən arxitekturanin Türkiyədəki robotik sistemlərde birbaşa başarı storlayactorını sübut etmir; hansı değişim türünde hansı uyarlama mekanizmasının önceliklendirilmesi gerektiğine ilişkin sınanabilir bir mühendislik hipotezi storlar.

Tədqiqatın əsas sualı nədir?

Gerçek dünyada çalışan bir robot iki fərqli tür qeyri-müəyyənlikle karşılaşabilir. İlkinde çmərhələnin kalıcı və ya tekrarlanan struktursı değişir: yük torırlığı, eklem sürtünməsi, sensor ilişkiləri, iş sahəsinın geometrisi və ya bir obyektnin fiziki davranışı fərqlilaşabilir. İkincisinde fiziki struktur aynı kalırken mevcut görevin anlamı değişir: operatör yeni bir sıralama kuralı vərebilir, renklerin hedeflerle eşleşmesi yeniden atanabilir və ya aynı obyektye fərqli bir amaç yüklenebilir.

Tədqiqatçıların sorduğu temel soru şudur: Robot, bu değişimlerin tamamına tek bir uyarlama mekanizmasıyla mı yanıt vərmelidir, yoksa uzun dəhəmiyyətli struktursal öğrenme ilə kısa dəhəmiyyətli btorlamsal çıkarımı birlikdə mi kullanmalıdır?

Tədqiqatnın hipotezi açıqtır:

• Yapısal değişimde, şöbələrarasında tekrar eden ortak bir düzen bulunduğu üçün IS üstün olmalıdır.
• Btorlamsal değişimde, her bölümün kuralı mevcut örneklerden yeniden okunması gerektiği üçün ICL üstün olmalıdır.
• Karışık koşullarda, iki mekanizmanın çıktısını çmərhələye göre çəkilandıran hibrid bir sistem tek başına kullanılan ajanlardan daha uygun olmalıdır.

çıxarımsal struktur öyrənməsi nədir?

çıxarımsal struktur öyrənməsi, tədqiqatda standartlaşmış tek bir algoritmanın adı olaraq değil; gizli struktursal düzenlilikleri model parametrelerine işleyen üsullar üçün bir üst kavram olaraq istifadə olunur. Meta-öğrenme, dünya modelleri, dəyişən otoenkoderler, gizli dəyişənli gücləndirməli öyrənmə və temsili öğrenme bu ortak mekanizmanın fərqli örnekleri olaraq ele alınmaktadır.

Gözlenen vəri \(x\) ilə gizli struktur \(z\) arasındaki temel üretici ilişki şöyledir:

\[ p(x)=\int p(x\mid z)p(z)\,dz \]

Burada:

• \(x\), görüntü, cümle, robot durumu və ya hareket trayektoriyası gibi gözlenen vəridir.
• \(z\), fiziki rejim, görev ailəsi, ekoloji düzen və ya niyəsel struktur gibi birbaşa gözlenmeyen dəyişəndir.
• \(p(z)\), mümkün gizli strukturlar üzerindeki öncül paylanmadır.
• \(p(x\mid z)\), belirli bir gizli struktur altında vərinin gözlenme mümkünlığıdır.

Öğreniləbilir parametreler \(\theta\) eklendiğinde model:

\[ p_{\theta}(x)=\int p_{\theta}(x\mid z)p(z)\,dz \]

biçimini almaktadır. Amaç, gözlenen vəriyi en iyi açıqlayan parametreleri öğrenmektir:

\[ \theta^{*}=\arg\max_{\theta}\mathbb{E}_{p_{data}(x)}[\log p_{\theta}(x)] \]

Gerçek sonrakı paylanmaın hesaplanması çoğu durumda zor olduğundan, \(q_{\phi}(z\mid x)\) adlı yaklaşık çıkarım modeli istifadə olunur. Sübutun aştorı sərhədi (Evidence Lower Bound, ELBO) şu biçimde vərilmektedir:

\[ \mathcal{L}(\theta,\phi)=\mathbb{E}_{q_{\phi}(z\mid x)}[\log p_{\theta}(x\mid z)]-D_{KL}(q_{\phi}(z\mid x)\parallel p(z)) \]

İlk terim modelin vəriyi ne kadar iyi yeniden ürettiğini və ya açıqladığını, Kullback-Leibler ayrışımı olan ikinci terim isə öğrenilən gizli uzayın öncül paylanmadan aşırı uzaklaşmasını maneəleyen düzenlemeyi temsil eder. IS’nin temel xüsusiliği, kalıcı bilginin model parametrelerine və gizli temsillere işlenmesidir.

kontekst daxilində öyrənmə nədir?

kontekst daxilində öyrənmə, önceden eğitilmiş bir modelin parametrelerini değiştirmeden, yalnızca mevcut giriş dizisindeki örnekleri kullanarak görevin geçici kuralını çıkarmasıdır. Modelin parametreleri \(\theta\) sabit kalır. \(k\) örnekten oluşan btorlam:

\[ C=\{(x_i,y_i)\}_{i=1}^{k} \]

olaraq diaqnozmlandığında yeni sorğunun tahmini:

\[ \hat{y}_{k+1}=f_{\theta}(x_{k+1},C) \]

biçimindedir. Uyum, gradyan güncellemesiyle değil, transformerün öz-diqqət mekanizmasıyla realleşir:

\[ h_i=Attention(Q_i,K_C,V_C) \]

\(Q_i\) mevcut sorğuyu, \(K_C\) btorlam örneklerinin anahtar temsillerini, \(V_C\) isə bu örneklerden alınacak bilgiyi taşır. Model, hansı btorlam örneklerinin mevcut sorğuyla ilişkili olduğunu dikkat çəkiləriyla belirlemektedir.

Bu proses Bayesçi açıdan görev parametresi \(\phi\) üzerindeki geçici bir sonrakı paylanmaın yaklaşık hesaplanması olaraq ifade edilmektedir:

\[ p(y\mid x,C)\approx\int p_{\theta}(y\mid x,\phi)q(\phi\mid C)\,d\phi \]

Btorlam kaldırıldığında bu uyarlama da kaybolur. Bu niyəle ICL sürətli və parametre güncellemesizdir; ancaq tek başına yeni struktursal bilgiyi kalıcı belleğe dönüştürmez.

IS ilə ICL arasındaki temel farklar nelerdir?

Birleşik Bayesçi çerçevə necə kurulmaktadır?

Tədqiqat iki yaklaşmaı aynı iyerarxik çıkarım sürecinin fərqli zaman ölçeklerindeki biləşenleri olaraq ifade etmektedir:

\[ p(y\mid x,D)=\int p_{\theta}(y\mid x,\phi)q_{\theta}(\phi\mid D)\,d\phi \]

\(D\), IS açısından uzun dəhəmiyyətli təlim məlumatıni; ICL açısından isə kısa dəhəmiyyətli btorlam örneklerini temsil edebilir. IS, kalıcı önseli və struktursal temsil tutumuni oluştururken; ICL bu önseli mevcut görevin örnekleri üzerinde sürətli biçimde kullanmaktadır.

Birinci teorem: IS hansı koşullarda yakınsar?

Birinci teorem, struktursal gürültü altında MAML tabanlı IS ajanının meta-parametrelerinin ne kadar sürətli yakınsayabiləceğini açıqlamaktadır. Bölüm başına struktursal yawnın \(\varepsilon\) ilə sınırlı, təkan fonksionunun \(L\)-Lipschitz və \(\mu\)-qüvvəli dışbükey olduğu varsayılmaktadır.

Ana metindeki sınır şöyledir:

\[ \|\theta_T-\theta^{*}\|\leq(1-\eta\mu)^T\|\theta_0-\theta^{*}\|+\frac{\eta L\varepsilon}{\mu} \]

Burada:

• \(\theta_T\), \(T\) meta-güncellemeden sonraki parametrelerdir.
• \(\theta^{*}\), görev ailəsi üçün en iyi meta-başlangıç dəyəridir.
• \(\eta\), öğrenme nisbətıdır.
• \(\mu\), qüvvəli dışbükeylik katsayısıdır.
• \(L\), düzgünlük və ya Lipschitz katsayısıdır.
• \(\varepsilon\), şöbələrarasındaki struktursal gürültü üst sınırıdır.

İlk terim güncelleme sayısıyla geometrik olaraq küçülür. İkinci terim, struktursal gürültü niyəiyle sıfıra indiriləmeyen hata tabanını temsil eder. Ancaq ek kanıttaki geometrik seri işləməi \(L\varepsilon/\mu\) sonucunu üretirken teoremin ana ifadesinde \(\eta L\varepsilon/\mu\) yazılmıştır. İncelenen sürüm bu fark üçün tutarlı bir matematiksel açıqlama sunmamaktadır.

İkinci teorem: Btorlam büyüdükçe ICL necə değişmektedir?

İkinci teorem, \(k\) btorlam örneği alan bir ICL ajanının görevi önceden bilən bir kâhine göre beklenen pişmanlığını sınırlar:

\[ \mathbb{E}[R_{ICL}(k)]\leq\mathcal{O}\left(\frac{d\log M}{k}\right) \]

\(d\), giriş ölçüsünu; \(M\), mümkün görev və ya etikaet eşleme sayısını; \(k\) isə btorlam örneği sayısını temsil eder. Modelin Bayesçi çıkarımı yeterince doğru yaklaştırdığı varsayımı altında btorlam arttıkça pişmanlığın yaklaşık \(1/k\) nisbətında azalması beklenmektedir.

Btorlam ölçekleme təcrübəinde \(k\) dəyəri 4, 8, 12, 16, 24, 32 və 48 olaraq değiştirilmiştir. Btorlamsal değişim koşulunda ICL doğruluğu btorlam büyüklüğüyle tekdüze biçimde artmıştır. Yapısal koşulda da daha fazla örnek ICL’ye yardımcı olmuş, ancaq şöbələrarasında öğrenilmiş struktursal önseli kullanan IS ajanının gerisinde kalmıştır.

Üçüncü teorem: Hibrit ajan hansı üsule ne kadar çəki vərmelidir?

IS və ICL’nin görev hakkında koşullu olaraq btorımsız bilgi storladığı varsayımında en uygun qarışıq katsayısı:

\[ \alpha^{*}=\frac{I(z;D_{meta})}{I(z;D_{meta})+I(\phi;C)} \]

olaraq vərilmektedir. \(I(z;D_{meta})\), IS gizli struktursı ilə meta-təlim məlumatı arasındaki qarşılıqlı informasiyayi; \(I(\phi;C)\), ICL’nin geçici görev dəyişəni ilə btorlam arasındaki qarşılıqlı informasiyayi temsil eder.

• Yapısal bilgi baskınsa \(\alpha^{*}\) 1’e yaklaşır və IS torırlığı artar.
• Btorlamsal bilgi baskınsa \(\alpha^{*}\) 0’a yaklaşır və ICL torırlığı artar.

Koşullu btorımsızlık storlanmadığında kapalı biçimli nəticə geçerli olmayabilir. Tədqiqatçılar bu durumda dəstək çoxluğunin orta, dispersiya və sinif entropiyasi gibi xülasəlerini kullanarak \(\alpha\) dəyərini bölüm başına tahmin eden öğrenilmiş bir geçit torı kullanmıştır.

Robotik istifadə örneği ne anlatmaktadır?

Tədqiqatçılar, ortak bir masa üzerinde renkli obyektleri fərqli hedeflere taşıyan işbirlikçi robot qolu örneğini kullanmaktadır. Fabrika ortamında obyekt torırlığı, sürtünmə və bant sürətı değişebilir. Mutfakta fiziki ortam sabit kalırken tarif niyəiyle obyekt-hedef eşlemesi değişebilir. Paketleme istasyonunda isə hem fiziki koşullar hem de hedef anlamları birlikdə değişebilir.

IS ajanı, fiziki rejimi və ya iş sahəsinı temsil eden gizli \(z_t\) dəyişənini öğrenir:

\[ p_{\theta}(s_{t+1}\mid s_t,a_t,z_t) \]

Politika da mevcut durum və çıkarılan strukturya göre koşullandırılır:

\[ \pi_{\theta}(a_t\mid s_t,z_t)=\frac{\exp(Q_{\theta}(s_t,a_t,z_t)/\tau)}{\sum_{a'}\exp(Q_{\theta}(s_t,a',z_t)/\tau)} \]

\(\tau\), eylem dtorılımının ne kadar rastlantısal olactorını belirleyen temperatur katsayısıdır. ICL ajanı isə birkaç örnek hareketten “kırmızı obyekt hedef A’ya, mavi obyekt hedef C’ye” biçimindeki geçici eşlemeyi çıkarır; model parametrelerini değiştirmeden yeni obyektnin hedefini tahmin eder.

Deney hattı necə kurulmuştur?

10. sayfadaki Şekil 2, təcrübə hattını dört mərhələda göstərir:

1. MAML tabanlı IS ajanı 1.500 meta-təlim bölümüyle, ICL transformerü isə 50.000 rastgele təsnifat göreviyle eğitilmiştir.
2. Ajanlar struktursal və btorlamsal değişim ortamlarında sınanmıştır.
3. Her qiymətləndirmə bölümünde aynı 24 destek örneği və 120 sorğu örneği iki ajana da vərilmiştir.
4. Eşleştirilmiş t-testi, Cohen’in \(d\) etki büyüklüğü, bootstrap etibar intervalı və Bonferroni düzeltmesi uygulanmıştır.

11. sayfadaki Şekil 3, IS ajanının dəstək çoxluğu üzerinde beş gradyan adımıyla parametrelerini değiştirdiğini; ICL ajanının isə dondurulmuş parametrelerle btorlam dizisine dikkat uyguladığını müqayisəlı olaraq göstərir.

Yapısal və btorlamsal değişim necə ayrılmıştır?

Yapısal değişimde bütün bölümlerin paylaştığı sabit bir temel matris bulunmaktadır:

\[ W_{ep}=W_{base}+\varepsilon,\qquad \varepsilon\sim\mathcal{N}(0,\sigma_{shift}^{2}I) \]

Bu ortamda her görev aynı temel strukturnın gürültülü sürümüdür. MAML, \(W_{base}\) struktursını şöbələrarasında meta-öğrenebilir.

Btorlamsal değişimde isə:

\[ W_{ep}\sim\mathcal{N}(0,I) \]

olacak biçimde her bölüm üçün tamamen yeni bir matris üretilmektedir. Ortak bir temel bulunmadığından IS’nin şöbələrarası önseli yararlı değildir; ICL mevcut destek örneklerinden bölümün eşlemesini okumaktadır.

13. sayfadaki Şekil 4 bu ayırmaı mavi struktursal və kırmızı btorlamsal panellerle göstərir. Aynı sayfadaki Şekil 5’te struktursal ortamda IS doğruluğu yaklaşık 0,80 çmərhələsinde, ICL doğruluğu yaklaşık 0,58 çmərhələsinde seyretmektedir. Şekil 6’da btorlamsal ortamda nəticə tersine dönmekte və ICL orta doğruluğu IS’nin üzerine çıkmaktadır.

Gerçek robot təcrübəinde ne strukturlmıştır?

Niryo Ned3 Pro altı eksenli robot qolu, sınırları belirlenmiş bir iş sahəsindaki rastgele Kartezyen mövqelara hareket ettirilmiştir:

• \(x\): 0,144-0,385 metre
• \(y\): -0,253 ilə 0,253 metre
• \(z\): 0,050-0,100 metre

Her mövqeda 21 boyutlu gözlem vəktörü kaydedilmiştir:

• 6 eklem açısı — radyan cinsinden
• 3 uc-efektör koordinatı — metre cinsinden
• 4 obyektnin uc-efektöre göre üçölçülü btorıl mövqeu — toplam 12 dəyər, metre cinsinden

Pilot mərhələda 80 bölümde sekizer gözlemle 640 ölçmə; tam mərhələda 200 bölümde on ikişer gözlemle 2.400 ölçmə toplanmıştır. Tam təcrübə yaklaşık 3,3 saat robot tədqiqatsını kapsamış, 120 bölüm təlim və 80 bölüm qiymətləndirmə üçün istifadə edilmişdir.

Sınıf etikaetleri real kavrama, temas və ya hedefe erişme sonucundan elde edilmemiştir. Dört hedef sinifı şu xətti proyeksiyale atanmıştır:

\[ y=\arg\max(X_{real}W) \]

Yapısal durumda:

\[ W_i=W_{base}+\varepsilon_i,\qquad \varepsilon_i\sim\mathcal{N}(0,\sigma^{2}I),\quad \sigma=0{,}3 \]

btorlamsal durumda isə:

\[ W_i\sim\mathcal{N}(0,0{,}25I) \]

istifadə edilmişdir. Bu tasarım, real sensor səs-küyü və kirütubətatik korelasyonların IS-ICL ayırmaını bozup bozmadığını test etmektedir. Fakat robotun tahmin edilən hedefe realten hareket edip başarıyla ulaştığını gösteren qapalı dövrə fiziki təcrübə değildir.

Tədqiqatnın ana sonucu nədir?

Sentetika temel təcrübəde struktursal değişim altında IS ajanının orta doğruluğu 0,795, ICL ajanının doğruluğu 0,578 olmuştur. Fark çok büyüktür: \(d=3{,}57\) və \(p=3{,}1\times10^{-115}\).

Btorlamsal değişimde ICL orta 0,641 doğruluğa ulaşırken IS 0,561’de kalmıştır. Etki büyüklüğü \(d=-0{,}99\), düzeltilmiş anlamlılık dəyəri \(p=2{,}9\times10^{-31}\) olaraq bildirilmişdir. Negatif etki büyüklüğü ICL lehine olan farkı göstərir.

Robot ölçekli 19 boyutlu benzetimde struktursal üstünlük daha da büyümüş; IS 0,822, ICL 0,514 dəqiqlik göstərmişdir. Btorlamsal koşulda ICL 0,623, IS 0,548 dəqiqlik elde etmiştir.

Gerçek robot vərisinde struktursal koşul üçün IS 0,794, ICL 0,613 orta doğruluğa ulaşmıştır. Eşleştirilmiş test sonucu \(t(79)=5{,}22\), \(p=1{,}42\times10^{-6}\), \(d=0{,}587\) olaraq bildirilmişdir. Bu orta büyüklükte və anlamlı bir IS üstünlüğüdür.

Gerçek vərinin btorlamsal koşulunda ICL 0,675, IS 0,609 dəqiqlik göstərmişdir. Yön ICL lehine olmakla birlikdə fark anlamlı değildir: \(t(79)=-1{,}58\), \(p=0{,}117\), \(d=-0{,}178\).

Btorlamsal real robot sonucunun zayıflaması necə açıqlanmıştır?

Tədqiqatçılar üç niyə təklifktedir:

• Gerçek robot təcrübəinde btorlam sayısı \(k=8\), temel sintetika təcrübəde isə \(k=24\) olmuştur. Daha az örnek, ICL’nin yeni eşlemeyi çözmesi üçün daha az bilgi storlamaktadır.
• Eklem açıları, uc-efektör mövqeu və btorıl obyekt mövqeları kirütubətatik olaraq birbiriyle ilişkilidir. Korelasyon, her btorlam örneğinin taşıdığı btorımsız bilgi miktarını azaltabilir.
• Radyan və metre ölçeklerini eşitlemek üçün uygulanan z-skor normalizasyonu siniflar arasındaki ayırmaı sıkıştırabilir.

Btorlam büyüklüğü sekize indirilən ayrı sintetika kontrolde ICL’nin btorlamsal etki büyüklüğü \(-0{,}99\)’dan \(-0{,}41\)’e düşmüş, ancaq hâlâ anlamlı kalmıştır. Bu nəticə btorlam sayısının etkili olduğunu dəstəkləyir. Gerçek vərideki ek düşüş isə sensor səs-küyü, korelasyon və normalizasyonla ilişkiləndirilmiştir.

Hibrit ajan ne göstərmişdir?

IS və ICL sinif logitleri şu kuralla birleştirilmiştir:

\[ \hat{y}=\arg\max_c[\alpha\,\ell_{IS}(c)+(1-\alpha)\,\ell_{ICL}(c)] \]

\(\alpha=1\) saf IS, \(\alpha=0\) saf ICL anlamına gelir. 15. sayfadaki Şekil 12’de struktursal değişim altında \(\alpha\) arttıkça doğruluğun yükseldiği, btorlamsal değişimde isə düştüğü görülmektedir. Destek kümesinin istatistiklerinden \(\alpha\) tahmin eden küçük geçit torı, bölümün türüne göre saf IS və ya saf ICL’ye yakın çəkilar seçmiştir.

Bu nəticə, tek bir sabit qarışıqın bütün koşullarda en iyi olmadığına işaret etmektedir. Robotun önce değişimin kalıcı struktursal bir değişim mi, yoksa geçici btorlamsal bir değişim mi olduğunu qiymətləndirməsi gerekir.

Üç qatlı biliş arxitekturası necə tasarlanmıştır?

22. sayfadaki Şekil 17, tədqiqatçıların önerdiği ancaq uctan uca uygulamadığı kavramsal arxitekturayi göstərir:

1. Yapısal Dünya Modeli: RGB-D görüntü, eklem mövqeu, qüvvə-burulma momenti və ekoloji durumdan gizli \(z_t\) temsili öğrenir. Yavaş meta-güncellemelerle çmərhələ dinamiklerini, obyekt olanaklarını və kalıcı ilişkiləri biriktirir.
2. Btorlamsal Akıl Yürütme Modülü: Dondurulmuş bir görüntü-dil transformerü, \(z_t\) struktursal önekini və güncel btorlamı kullanarak yeni talimatları, kullanıcı tercihlerini və görev örneklerini parametre güncellemeden yorumlar.
3. Karar və Kontrol Modülü: Yapısal və btorlamsal politikaları öğrenilmiş \(\alpha_t\) geçidiyle birleştirir.

Birleşik politika kavramsal olaraq:

\[ \pi(a_t\mid s_t,C_t)=\int\pi_{\theta}(a_t\mid s_t,z_t)\,q(z_t\mid D)\,q(\phi\mid C_t)\,dz_t\,d\phi \]

biçiminde ifade edilmektedir. IS uzun dəhəmiyyətli bellek, ICL isə tədqiqat belleği gibi davranmaktadır. Ancaq bu üç qatlı sistem tədqiqatda fiziki robot üzerinde uctan uca uygulanıp karşılaştırılmamıştır; təcrübə bulgularından türetilmiş bir tasarım önerisidir.

Tədqiqatnın desteklediği nəticələr

• Tekrarlanan ortak bir görev struktursının bulunduğu kontrollü təcrübəlerde MAML tabanlı IS, btorlam tabanlı transformerden belirgin biçimde daha başarılıdır.
• Her bölümde görev eşlemesinin tamamen değiştiği sintetika koşullarda ICL, IS’den daha başarılıdır.
• ICL başarısı, vərilən btorlam örneği sayısı arttıkça yükselmektedir.
• IS’nin struktursal üstünlüğü 12 boyutlu sintetika vəriden 19 boyutlu robot ölçekli vəriye və 21 boyutlu real proprioseptiv vəriye aktarılmıştır.
• Doğrusal olmayan təsnifat təcrübəinde de üstünlüklerin istiqaməti korunmuştur.
• Beş fərqli təsadüfi başlanğıcta sintetika struktursal və btorlamsal etki yönleri kararlı kalmıştır.
• Öğrenilmiş geçit torı, struktursal və btorlamsal koşullarda fərqli IS-ICL çəkiləri seçebilmiştir.

Tədqiqatnın kanıtlamadığı nəticələr

• Önerilən sistem real robotta qapalı dövrə kavrama, yerleştirme və ya hedefe erişme başarısı göstermemiştir.
• Sentetika doğrusal sinif etikaetlərinin doğal robot görevlerinin bütün karmaşıklığını temsil ettiği kanıtlanmamıştır.
• Gerçek robot vərisinde btorlamsal ICL üstünlüğü istatistiksel olaraq doğrulanmamışdır.
• Sonuclar, bütün IS və ya ICL algoritmalarının davranışını temsil etmez; yalnız MAML və yaklaşık 415-417 bin parametreli küçük transformer müqayisə edilmişdir.
• Üç qatlı hibrid biliş arxitekturası uctan uca uygulanmamış və fiziki robot üzerinde test edilmemiştir.
• Teorik sınırların güclü dışbükeylik və benzeri varsayımları real, doğrusal olmayan robotik sistemlərde tam olaraq doğrulanmamışdır.
• Tədqiqat, böyük dil modeli ölçeğindeki ICL sistemlerinin aynı etki büyüklüklerini göstereceğini sübut etmir.
• Uzun dəhəmiyyətli dövr içi öğrenme, təhlükəsizlik, yıkıcı unutma və hesablama xərci birbaşa ölçülmemiştir.

Tədqiqatnın Yöntemi və Bulguları

Ajan arxitekturaleri və təlim koşulları

IS ajanının dış döngüsü Adam ilə 0,003 öğrenme nisbətında, ICL ajanı Adam ilə \(10^{-3}\) öğrenme nisbətında eğitilmiştir. Temel sintetika görevler 12 boyutlu giriş, dört sinif, 24 destek örneği və 120 sorğu örneği içermektedir.

On iki təcrübəin kapsamı

Temel sayısal nəticələr

Alternatif üsullarle müqayisə

Ridge reqressiyaunun doğrusal btorlamsal görevde ICL’den az farkla daha yüksək dəqiqlik göstermesi əhəmiyyətlidir. Bu nəticə, ICL’nin btorlamsal üstünlüğünün her koşulda en iyi siniflandırıcı olduğu anlamına gelmediğini göstərir. Tədqiqatnın asıl müqayisəsı, şöbələrarası parametre öğrenmesi ilə bölüm içi btorlam çıkarımı arasındaki mekanizma farkıdır.

Çoklu tohum və istatistiksel analiz

Beş təsadüfi başlanğıcta struktursal Cohen’in \(d\) dəyəri orta \(3{,}65\pm0{,}24\), btorlamsal dəyər isə \(-0{,}99\pm0{,}05\) olaraq bildirilmişdir. Temel müqayisəlarda her koşul üçün 200 bölüm üzerinde eşleştirilmiş t-testleri, 10.000 yeniden nümunələməli bootstrap yüzde 95 güvən aralıkları və Bonferroni düzeltmesi uygulanmıştır.

Gerçek robot tam təcrübəinde 80 benzersiz qiymətləndirmə bölümünün kullanıldığı ana metin və Tablo 5’te açıqça belirtilmektedir. Bununla belə 19. sayfadaki Şekil 14’ün içeriği 300 yeniden örneklenmiş qiymətləndirmə bölümü və fərqli dəqiqlik dəyərləri göstərir. Bu görsel ilə ana metin aynı təcrübə sürümünü temsil etmemektedir; nəticələrin yorumunda ana metindeki 80 benzersiz bölüm esas alınmalıdır.

Tədqiqatnın güclü yönleri

• IS və ICL’yi aynı destek və sorğu vəriləri üzerinde kontrollü biçimde müqayisəsı.
• Yapısal və btorlamsal değişimi matematiksel olaraq açıq biçimde ayırması.
• Btorlam büyüklüğü, gürültü, görev karmaşıklığı, doğrusal olmayan sınırlar və təsadüfi başlanğıclar üçün ek kontroller yapması.
• Etki büyüklüğü, eşleştirilmiş test, etibar intervalı və çoklu müqayisə düzeltmesi bildirmesi.
• Sentetika vəriden real robot algılayıcı vərisine mərhələlı validasiya realleştirmesi.
• Gerçek robot təcrübəinde iki ajana aynı destek və sorğu bölümlerini vərerek adil müqayisə kurması.
• Gerçek vərideki btorlamsal sonucun anlamlı olmadığını nəticə və məhdudiyyətlarda açıqça kabul etmesi.

Tədqiqatnın məhdudiyyətləri və metin içi tutarsızlıkları

• Tədqiqat hakem qiymətləndirməsinden geçmemiş bir preprinttir.
• Gerçek robot vərisindeki etikaetler doğal fiziki görev sonucundan değil, sintetika xətti proyeksiyaden üretilmiştir.
• Kapalı dövr robot hareketi, hedefe ulaşma, kavrama və ya yerleştirme başarısı dəyərlendirilmemiştir.
• Gerçek robotun btorlamsal koşulunda ICL farkı anlamlı değildir.
• Özet və Highlights bölümlerindeki ümumi \(p<0{,}001\), \(d>0{,}9\) ifadesi real robotun btorlamsal sonucunu kapsamamaktadır.
• Şekil 14 eski və ya fərqli bir təcrübə hattına ait 300 yeniden örneklenmiş bölümü gösterirken ana metin 80 benzersiz bölüm bildirmektedir.
• Korelasyon dəyərləri metin üçünde 0,299 və 0,303; yüksək korelasyon eşiği isə 0,5 və 0,8 olaraq iki fərqli biçimde yazılmıştır.
• Birinci teoremin ana sınırı ilə ek kanıttaki hata tabanı arasında \(\eta\) katsayısı bakımından tutarsızlık vardır.
• Teorik nəticələr qüvvəli dışbükeylik, düzgünlük, yaklaşık Bayesçi çıkarım və koşullu btorımsızlık gibi güclü varsayımlara dayanır.
• IS yalnız MAML, ICL isə küçük bir transformerle temsil edilmiştir; dünya modeli, böyük dil modeli və ya Decision Transformer gibi fərqli uygulamalar sınanmamıştır.
• Görevlerin çoğu təsnifatdır; sıralı karar vərme və kısmi gözlemlenebilirlik birbaşa test edilmemiştir.
• Önerilən üç qatlı arxitektura kavramsaldır və uctan uca robot üzerinde doğrulanmamışdır.

Kaynak və Yöntem Notu

Tədqiqatnın tam özgün adı: Inferred-Structure and In-Context Learning: A Unified Bayesian Framework for Adaptivə Robotic Intelligence in Real-world Settings

Yazarlar: Khashayar Ghamati; Abolfazl Zaraki.

Yazar sıralaması: Khashayar Ghamati birinci müəllif, Abolfazl Zaraki ikinci müəllifdır.

Eş birinci müəllif: Eş katkı və ya eş birinci müəllif bilgisi incelenen sürümde yer almır.

Sorumlu müəllif: Khashayar Ghamati. Metindeki yıldız işareti və rabitə e-postası sorumlu müəllifı göstərir.

Kurumsal btorlantı: School of Physics, Engineering and Computer Science (SPECS), Robotics Research Group, Univərsity of Hertfordshire, College Lane, Hatfield, AL10 9AB, United Kingdom.

ORCID: Khashayar Ghamati — 0009-0002-6416-3127; Abolfazl Zaraki — 0000-0001-6204-7865.

DOI:10.2139/ssrn.7193870

Dergi: Hakemli dergi adı incelenen sürümde yer almır. Alt bilgide yalnızca “Preprint submitted to Elsevier” ifadesi bulunmaktadır; hansı dergiye gönderildiği açıqlanmamışdır.

Yayınevi: Kesinleşmiş özgün yayınevi bilgisi yoxdur. SSRN bir preprint platformudur və nihai dergi yayınevi olaraq dəyərlendirilmemelidir.

Yayın platformu: SSRN.

Yayın yılı: 2026.

Kaynak türü: Kuramsal modelleme, kontrollü sintetika təcrübəler, robot ölçekli vəri analizi və real proprioseptiv robot vərisi içeren mühendislik tədqiqatsı preprinti.

Hakemlik durumu: Bu tədqiqat bir preprinttir və resenziyadan keçməmişdir. Sonucları bu məhdudiyyət dikkate alınarak okunmalıdır.

Resmî mənbə:SSRN rəsmi tədqiqat kaydı.

Sürüm notu: Aynı başlık üçün 6487278 numaralı eski bir SSRN kaydı da indekslenmektedir. İncelenen sürüm açıqça 7193870 numaralı kayda yönlendirmektedir; iki qeyd arasındaki ilişki metinde açıqlanmamışdır.

Veri və kod beyanı: Tədqiqatçılar ek materyal, mənbə kod, eğitilmiş modeller və təcrübə vərilərinin tədqiqatın proje sayfasında bulunduğunu belirtmektedir. Bu beyan incelenen preprintte yer almaktadır; tüm dosyaların eksiksiz erişiləbilirliği bu makale hazırlanırken ayrıca teknik olaraq doğrulanmamışdır.

Bu türk dili açıqlama, yüklenen 27 sayfalık tədqiqatın metni, matematiksel ifadeleri, cədvəlları, təcrübə qrafleri, robot görselleri və ek teorem kanıtları incelenerek hazırlanmıştır. Bilimsel içeriğe tədqiqat dışında yeni təcrübə sonucu və ya başarı iddiası eklenmemiştir. Dış validasiya yalnızca müəllif, qurum, DOI, SSRN kaydı və yayın durumunun bibliyoqraf kontrolü üçün istifadə edilmişdir.

Tədqiqatnın real robot bölümü, fiziki sensor vərisi üzerinde öğrenme mekanizmalarını müqayisəktadır; robotun real bir uzanma, kavrama və ya yerleştirme görevini qapalı dövrəde tamamladığını göstermemektedir. Önerilən üç qatlı IS-ICL arxitekturası de təcrübəsel olaraq uygulanmış nihai bir robot sistemi değil, bulgulardan türetilən kavramsal tasarım önerisidir.