Бул изилдөө, роботların değişen чыныгы dünya koşullarına uyum sторlamasında iki ар башка öğrenme mekanizmasını салыштырууktadır: экспериментimler arasında kalıcı түзүмsal düzenlilikleri модель parametrelerine işleyen жыйынтыктык структура үйрөнүүсү (Inferred-Structure Learning, IS) жана модель parametrelerini değiştirmeden mevcut örneklerden anlık görev kuralı çıkaran контекст ичиндеги үйрөнүү (In-Context Learning, ICL). Изилдөөчүлөр, MAML tabanlı bir IS ajanı менен küçük bir transformatör tabanlı ICL ajanını aynı destek жана суроо маалыматleri üzerinde karşılaştırmış; түзүмsal değişimlerde IS’nin, her bölümde tamamen değişen bторlamsal kurallarda болсо ICL’nin üstün olacторını öngören иерархиялык Байесчил bir çerçeжана geliştirmiştir. On iki kontrollü экспериментde синтетикалык жана робот ölçekli маалыматler bu tamamlayıcılığı күчтүү biçimde desteklemiş; Niryo Ned3 Pro роботundan toplanan 2.400 чыныгы проприоцептивдик gözlemde IS, түзүмsal değişimler altında ICL’yi anlamlı biçimde geride bırakmıştır. Бирок чыныгы робот экспериментindeki класс энбелгилери синтетикалык катары atanmış, роботun жабык циклдүү физикалык тапшырма başarısı ölçülmemiş жана чыныгы маалыматdeki bторlamsal ICL üstünlüğü istatistiksel anlamlılığa ulaşmamıştır.

Изилдөөnın temel sonucu, IS менен ICL’nin birbirinin yerine geçecek rakip teknikler olmadığıdır. IS, birçok эксперимент же görev boyunca tekrar eden физикалык жана эмне үчүнsel түзүмları kalıcı parametrelere aktarırken; ICL, tek bir görev sırasında маалыматlen yeni örnekleri, talimatları же hedef eşlemelerini ылдамдыкla yorumlamaktadır. Изилдөөчүлөр bu эмне үчүнle kalıcı bir дүйнө модели, dondurulmuş bir bторlamsal akıl yürütme модульü жана iki çıktıyı koşula göre birleştiren öğrenilmiş bir өткөөл механизмиndan oluşan üç катмарlı bir роботтук biliş архитектурасы теоремаktedir.

Түркия жагынан ne ifade etmektedir?

Түркияда otomotiv, beyaz eşya, savunma, lojistik, tarım технологияleri жана esnek üretim hatlarında kullanılan роботlar; ürün торırlığı, сүрүлүү, ekipman жешилүүsı, изилдөө tezgâhı düzeni жана üretim hedefleri gibi өзгөрмөlerle karşılaşmaktadır. Бул изилдөө, физикалык түзүмda tekrarlanan değişimlerin uzun dмаанилүү bir түзүмsal модельle, vardiya же sipariş bazında değişen talimatların болсо bторlam içi çıkarımla yönetilmesini öneren kavramsal bir tasarım ilkesi сууnmaktadır.

Түркияда uygulanabilirlik үчүн синтетикалык классификация экспериментlerinin ötesine geçilmesi gerekir. түрк тили табигый тил talimatları, yerli üretim hatlarındaki сенсор düzenleri, ар башка робот markaları, чыныгы жүк жана сүрүлүү değişimleri, коопсуздук standartları жана физикалык görev başarı ölçütleriyle жабык цикл экспериментler түзүмlmalıdır. Изилдөөnın натыйжалары, önerмененn архитектураnin Түркиядаki роботтук системаларde түздөн-түз başarı sторlayacторını далилдебейт; кайсы değişim türünde кайсы uyarlama mekanizmasının önceliklendirilmesi gerektiğine ilişkin sınanabilir bir mühendislik hipotezi sторlar.

Изилдөөнүн негизги суроосу эмне?

Gerçek dünyada çalışan bir робот iki ар башка tür белгисиздикle karşılaşabilir. İlkinde çстадияnin kalıcı же tekrarlanan түзүмsı değişir: жүк торırlığı, eklem сүрүлүүsi, сенсор ilişkмененri, иш аймагыnın geometrisi же bir объектnin физикалык davranışı ар башкаlaşabilir. İkincisinde физикалык түзүм aynı kalırken mevcut görevin anlamı değişir: operatör yeni bir sıralama kuralı жанаrebilir, renklerin hedeflerle eşleşmesi yeniden atanabilir же aynı объектye ар башка bir amaç жүкlenebilir.

Изилдөөчүлөрın sorduğu temel soru şudur: Робот, bu değişimlerin tamamına tek bir uyarlama mekanizmasıyla mı yanıt жанаrmelidir, yoksa uzun dмаанилүү түзүмsal öğrenme менен kısa dмаанилүү bторlamsal çıkarımı бирге mi kullanmalıdır?

Изилдөөnın hipotezi ачыкtır:

• Yapısal değişimde, бөлүмдөр аралыкnda tekrar eden ortak bir düzen bulunduğu үчүн IS üstün olmalıdır.
• Bторlamsal değişimde, her bölümün kuralı mevcut örneklerden yeniden okunması gerektiği үчүн ICL üstün olmalıdır.
• Karışık koşullarda, iki mekanizmanın çıktısını çстадияye göre салмакlandıran гибриддик bir система tek başına kullanılan ajanlardan daha uygun olmalıdır.

жыйынтыктык структура үйрөнүүсү эмне?

жыйынтыктык структура үйрөнүүсү, изилдөөдө standartlaşmış tek bir algoritmanın adı катары değil; жашыруун структураsal düzenlilikleri модель parametrelerine işleyen ыкмалар үчүн bir üst kavram катары колдонулат. Meta-öğrenme, dünya модельleri, өзгөрмө otoenkoderler, gizli өзгөрмөli бекемдөөчү үйрөнүү жана temsili öğrenme bu ortak mekanizmanın ар башка örnekleri катары ele alınmaktadır.

Gözlenen маалымат \(x\) менен жашыруун структура \(z\) arasındaki temel üretici ilişki şöyledir:

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

Burada:

• \(x\), сүрөт, cümle, робот durumu же hareket траекториясы gibi gözlenen маалыматdir.
• \(z\), физикалык rejim, görev aмененsi, экологиялык düzen же эмне үчүнsel түзүм gibi түздөн-түз gözlenmeyen өзгөрмөdir.
• \(p(z)\), мүмкүн жашыруун структураlar üzerindeki априордук бөлүштүрүүdır.
• \(p(x\mid z)\), belirli bir жашыруун структура altında маалыматnin gözlenme мүмкүнlığıdır.

Öğrenмененbilir parametreler \(\theta\) eklendiğinde модель:

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

biçimini almaktadır. Amaç, gözlenen маалыматyi en iyi ачыкlayan parametreleri öğrenmektir:

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

Gerçek апостериордук бөлүштүрүүın hesaplanması çoğu durumda zor болгонуndan, \(q_{\phi}(z\mid x)\) adlı yaklaşık çıkarım модельi колдонулат. Далилдин төмөнкү чеги (Evidence Lower Bound, ELBO) şu biçimde маалыматlmektedir:

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

İlk terim модельin маалыматyi ne kadar iyi yeniden ürettiğini же ачыкladığını, Kullback-Leibler өзүнчөşımı olan ikinci terim болсо öğrenмененn gizli uzayın априордук бөлүштүрүүdan aşırı uzaklaşmasını тоскоолдукleyen düzenlemeyi temsil eder. IS’nin temel өзгөчөliği, kalıcı bilginin модель parametrelerine жана gizli temsillere işlenmesidir.

контекст ичиндеги үйрөнүү эмне?

контекст ичиндеги үйрөнүү, önceden eğitilmiş bir модельin parametrelerini değiştirmeden, yalnızca mevcut giriş dizisindeki örnekleri kullanarak görevin geçici kuralını çıkarmasıdır. Модельin parametreleri \(\theta\) sabit kalır. \(k\) örnekten oluşan bторlam:

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

катары диагнозmlandığında yeni сурооnun tahmini:

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

biçimindedir. Uyum, gradyan güncellemesiyle değil, transformatörün өзүнө көңүл буруу mekanizmasıyla чыныгыleşir:

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

\(Q_i\) mevcut сурооyu, \(K_C\) bторlam örneklerinin anahtar temsillerini, \(V_C\) болсо bu örneklerden alınacak bilgiyi taşır. Модель, кайсы bторlam örneklerinin mevcut сурооyla ilişkili болгонуnu dikkat салмактарыyla belirlemektedir.

Bu процесс Байесчил açıdan görev parametresi \(\phi\) üzerindeki geçici bir апостериордук бөлүштүрүүın yaklaşık hesaplanması катары ifade edilmektedir:

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

Bторlam kaldırıldığında bu uyarlama da kaybolur. Bu эмне үчүнle ICL ылдам жана parametre güncellemesizdir; бирок tek başına yeni түзүмsal bilgiyi kalıcı belleğe dönüştürmez.

IS менен ICL arasındaki temel farklar nelerdir?

Birleşik Байесчил çerçeжана кантип kurulmaktadır?

Изилдөө iki yaklашып кетүүı aynı иерархиялык çıkarım sürecinin ар башка zaman ölçeklerindeki bмененşenleri катары 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 dмаанилүү окутуу маалыматыni; ICL açısından болсо kısa dмаанилүү bторlam örneklerini temsil edebilir. IS, kalıcı önseli жана түзүмsal temsil кубаттуулугуni oluştururken; ICL bu önseli mevcut görevin örnekleri üzerinde ылдам biçimde kullanmaktadır.

Birinci teorem: IS кайсы koşullarda yakınsar?

Birinci teorem, түзүмsal gürültü altında MAML tabanlı IS ajanının meta-parametrelerinin ne kadar ылдам yakınsayabмененceğini ачыкlamaktadır. Bölüm başına түзүмsal yawnın \(\varepsilon\) менен sınırlı, жоготуу fonksионunun \(L\)-Lipschitz жана \(\mu\)-күчli dışbükey болгону 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 aмененsi үчүн en iyi meta-başlangıç баалуулукidir.
• \(\eta\), öğrenme катышıdır.
• \(\mu\), күчli dışbükeylik katsayısıdır.
• \(L\), düzgünlük же Lipschitz katsayısıdır.
• \(\varepsilon\), бөлүмдөр аралыкndaki түзүмsal gürültü üst sınırıdır.

İlk terim güncelleme sayısıyla geometrik катары küçülür. İkinci terim, түзүмsal gürültü эмне үчүнiyle sıfıra indirмененmeyen hata tabanını temsil eder. Бирок ek kanıttaki geometrik seri иштетүүi \(L\varepsilon/\mu\) sonucunu üretirken teoremin ana ifadesinde \(\eta L\varepsilon/\mu\) yazılmıştır. İncelenen sürüm bu fark үчүн tutarlı bir matematiksel ачыкlama сууnmamaktadır.

İkinci teorem: Bторlam büyüdükçe ICL кантип değişmektedir?

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

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

\(d\), киргизүү өлчөмүnu; \(M\), мүмкүн görev же этикаet eşleme sayısını; \(k\) болсо bторlam örneği sayısını temsil eder. Модельin Байесчил çıkarımı yeterince doğru yaklaştırdığı varsayımı altında bторlam arttıkça pişmanlığın yaklaşık \(1/k\) катышında azalması beklenmektedir.

Bторlam ölçekleme экспериментinde \(k\) баалуулукi 4, 8, 12, 16, 24, 32 жана 48 катары değiştirilmiştir. Bторlamsal değişim koşulunda ICL doğruluğu bторlam büжүкlüğüyle tekdüze biçimde artmıştır. Yapısal koşulda da daha fazla örnek ICL’ye yardımcı olmuş, бирок бөлүмдөр аралыкnda öğrenilmiş түзүмsal önseli kullanan IS ajanının gerisinde kalmıştır.

Üçüncü teorem: Hibrit ajan кайсы ыкмаe ne kadar салмак жанаrmelidir?

IS жана ICL’nin görev hakkında koşullu катары bторımsız bilgi sторladığı varsayımında en uygun аралашма katsayısı:

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

катары маалыматlmektedir. \(I(z;D_{meta})\), IS жашыруун структураsı менен meta-окутуу маалыматы arasındaki өз ара маалыматyi; \(I(\phi;C)\), ICL’nin geçici görev өзгөрмөi менен bторlam arasındaki өз ара маалыматyi temsil eder.

• Yapısal bilgi baskınsa \(\alpha^{*}\) 1’e yaklaşır жана IS торırlığı artar.
• Bторlamsal bilgi baskınsa \(\alpha^{*}\) 0’a yaklaşır жана ICL торırlığı artar.

Koşullu bторımsızlık sторlanmadığında kapalı biçimli натыйжа geçerli olmayabilir. Изилдөөчүлөр bu durumda колдоо топтомуnin орточо, вариация жана класс энтропияsi gibi кыскачаlerini kullanarak \(\alpha\) баалуулукini bölüm başına tahmin eden öğrenilmiş bir geçit торı kullanmıştır.

Роботik колдонуу örneği ne anlatmaktadır?

Изилдөөчүлөр, ortak bir masa üzerinde renkli объектleri ар башка hedeflere taşıyan işbirlikçi робот колу örneğini kullanmaktadır. Fabrika ortamında объект торırlığı, сүрүлүү жана bant ылдамдыкı değişebilir. Mutfakta физикалык ortam sabit kalırken tarif эмне үчүнiyle объект-hedef eşlemesi değişebilir. Paketleme istasyonunda болсо hem физикалык koşullar hem de hedef anlamları бирге değişebilir.

IS ajanı, физикалык rejimi же иш аймагыnı temsil eden gizli \(z_t\) өзгөрмөini öğrenir:

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

Politika da mevcut durum жана çıkarılan түзүмya göre koşullandırılır:

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

\(\tau\), eylem dторılımının ne kadar rastlantısal olacторını belirleyen температура katsayısıdır. ICL ajanı болсо birkaç örnek hareketten “kırmızı объект hedef A’ya, mavi объект hedef C’ye” biçimindeki geçici eşlemeyi çıkarır; модель parametrelerini değiştirmeden yeni объектnin hedefini tahmin eder.

Deney hattı кантип kurulmuştur?

10. sayfadaki Şekil 2, эксперимент hattını dört баскычda көрсөтөт:

1. MAML tabanlı IS ajanı 1.500 meta-окутуу bölümüyle, ICL transformatörü болсо 50.000 rastgele классификация göreviyle eğitilmiştir.
2. Ajanlar түзүмsal жана bторlamsal değişim ortamlarında sınanmıştır.
3. Her баалоо bölümünde aynı 24 destek örneği жана 120 суроо örneği iki ajana da маалыматlmiştir.
4. Eşleştirilmiş t-тестi, Cohen’in \(d\) etki büжүкlüğü, bootstrap ишеним аралыгы жана Bonferroni düzeltmesi uygulanmıştır.

11. sayfadaki Şekil 3, IS ajanının колдоо топтому üzerinde beş gradyan adımıyla parametrelerini değiştirdiğini; ICL ajanının болсо dondurulmuş parametrelerle bторlam dizisine dikkat uyguladığını салыштырууlı катары көрсөтөт.

Yapısal жана bторlamsal değişim кантип өзүнчөlmıştır?

Yapısal değişimde бардык 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 түзүмnın gürültülü sürümüdür. MAML, \(W_{base}\) түзүмsını бөлүмдөр аралыкnda meta-öğrenebilir.

Bторlamsal değişimde болсо:

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

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

13. sayfadaki Şekil 4 bu ажыратууı mavi түзүмsal жана kırmızı bторlamsal panellerle көрсөтөт. Aynı sayfadaki Şekil 5’te түзүмsal ortamda IS doğruluğu yaklaşık 0,80 çстадияsinde, ICL doğruluğu yaklaşık 0,58 çстадияsinde seyretmektedir. Şekil 6’da bторlamsal ortamda натыйжа tersine dönmekte жана ICL орточо doğruluğu IS’nin üzerine çıkmaktadır.

Gerçek робот экспериментinde ne түзүмlmıştır?

Niryo Ned3 Pro altı eksenli робот колу, sınırları belirlenmiş bir иш аймагыndaki rastgele Kartezyen жайгашууlara hareket ettirilmiştir:

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

Her жайгашууda 21 boyutlu gözlem жанаktörü kaydedilmiştir:

• 6 eklem açısı — radyan cinsinden
• 3 уч-efektör koordinatı — metre cinsinden
• 4 объектnin уч-efektöre göre үч өлчөмдүү bторıl жайгашууu — toplam 12 баалуулук, metre cinsinden

Pilot баскычda 80 bölümde sekizer gözlemle 640 өлчөө; tam баскычda 200 bölümde on ikişer gözlemle 2.400 өлчөө toplanmıştır. Tam эксперимент yaklaşık 3,3 saat робот изилдөөsını kapsamış, 120 bölüm окутуу жана 80 bölüm баалоо үчүн колдонулган.

Sınıf этикаetleri чыныгы kavrama, temas же hedefe erişme sonucundan elde edilmemiştir. Dört hedef классı şu сызыктуу проекцияle atanmıştır:

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

Yapısal durumda:

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

bторlamsal durumda болсо:

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

колдонулган. Bu tasarım, чыныгы сенсор ызы-чуусу жана kiнымatik korelasyonların IS-ICL ажыратууını bozup bozmadığını тест etmektedir. Fakat роботun tahmin edмененn hedefe чыныгыten hareket edip başarıyla ulaştığını gösteren жабык цикл физикалык эксперимент değildir.

Изилдөөnın ana sonucu эмне?

Sentэтика temel экспериментde түзүмsal değişim altında IS ajanının орточо doğruluğu 0,795, ICL ajanının doğruluğu 0,578 olmuştur. Fark çok büжүкtür: \(d=3{,}57\) жана \(p=3{,}1\times10^{-115}\).

Bторlamsal değişimde ICL орточо 0,641 doğruluğa ulaşırken IS 0,561’de kalmıştır. Etki büжүкlüğü \(d=-0{,}99\), düzeltilmiş anlamlılık баалуулукi \(p=2{,}9\times10^{-31}\) катары билдирилген. Negatif etki büжүкlüğü ICL lehine olan farkı көрсөтөт.

Робот ölçekli 19 boyutlu benzetimde түзүмsal üstünlük daha da büyümüş; IS 0,822, ICL 0,514 тактык көрсөткөн. Bторlamsal koşulda ICL 0,623, IS 0,548 тактык elde etmiştir.

Gerçek робот маалыматsinde түзүмsal koşul үчүн IS 0,794, ICL 0,613 орточо doğruluğa ulaşmıştır. Eşleştirilmiş тест sonucu \(t(79)=5{,}22\), \(p=1{,}42\times10^{-6}\), \(d=0{,}587\) катары билдирилген. Bu orta büжүкlükte жана anlamlı bir IS üstünlüğüdür.

Gerçek маалыматnin bторlamsal koşulunda ICL 0,675, IS 0,609 тактык көрсөткөн. Yön ICL lehine olmakla бирге fark anlamlı değildir: \(t(79)=-1{,}58\), \(p=0{,}117\), \(d=-0{,}178\).

Bторlamsal чыныгы робот sonucunun zayıflaması кантип ачыкlanmıştır?

Изилдөөчүлөр üç эмне үчүн теоремаktedir:

• Gerçek робот экспериментinde bторlam sayısı \(k=8\), temel синтетикалык экспериментde болсо \(k=24\) olmuştur. Daha az örnek, ICL’nin yeni eşlemeyi çözmesi үчүн daha az bilgi sторlamaktadır.
• Eklem açıları, уч-efektör жайгашууu жана bторıl объект жайгашууları kiнымatik катары birbiriyle ilişkilidir. Korelasyon, her bторlam örneğinin taşıdığı bторımsız bilgi miktarını azaltabilir.
• Radyan жана metre ölçeklerini eşitlemek үчүн uygulanan z-skor normalizasyonu классlar arasındaki ажыратууı sıkıştırabilir.

Bторlam büжүкlüğü sekize indirмененn өзүнчө синтетикалык kontrolde ICL’nin bторlamsal etki büжүкlüğü \(-0{,}99\)’dan \(-0{,}41\)’e düşmüş, бирок hâlâ anlamlı kalmıştır. Bu натыйжа bторlam sayısının etkili болгонуnu колдойт. Gerçek маалыматdeki ek düşüş болсо сенсор ызы-чуусу, korelasyon жана normalizasyonla ilişkмененndirilmiştir.

Hibrit ajan ne көрсөткөн?

IS жана ICL класс 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 түзүмsal değişim altında \(\alpha\) arttıkça doğruluğun жүкseldiği, bторlamsal değişimde болсо düştüğü görülmektedir. Destek kümesinin istatistiklerinden \(\alpha\) tahmin eden küçük geçit торı, bölümün türüne göre saf IS же saf ICL’ye yakın салмакlar seçmiştir.

Bu натыйжа, tek bir sabit аралашмаın бардык koşullarda en iyi olmadığına işaret etmektedir. Роботun önce değişimin kalıcı түзүмsal bir değişim mi, yoksa geçici bторlamsal bir değişim mi болгонуnu баалооsi gerekir.

Üç катмарlı biliş архитектурасы кантип tasarlanmıştır?

22. sayfadaki Şekil 17, изилдөөчүлөрın önerdiği бирок учtan uca uygulamadığı kavramsal архитектураyi көрсөтөт:

1. Yapısal Dünya Модельi: RGB-D сүрөт, eklem жайгашууu, күч-момент жана экологиялык durumdan gizli \(z_t\) temsili öğrenir. Yavaş meta-güncellemelerle çстадия dinamiklerini, объект olanaklarını жана kalıcı ilişkмененri biriktirir.
2. Bторlamsal Akıl Yürütme Modülü: Dondurulmuş bir сүрөт-dil transformatörü, \(z_t\) түзүмsal önekini жана güncel bторlamı kullanarak yeni talimatları, kullanıcı tercihlerini жана görev örneklerini parametre güncellemeden yorumlar.
3. Karar жана Kontrol Modülü: Yapısal жана bторlamsal politikaları öğrenilmiş \(\alpha_t\) geçidiyle birleştirir.

Birleşik politika kavramsal катары:

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

biçiminde ifade edilmektedir. IS uzun dмаанилүү bellek, ICL болсо изилдөө belleği gibi davranmaktadır. Бирок bu üç катмарlı система изилдөөдө физикалык робот üzerinde учtan uca uygulanıp karşılaştırılmamıştır; эксперимент bulgularından türetilmiş bir tasarım önerisidir.

Изилдөөnın desteklediği натыйжалар

• Tekrarlanan ortak bir görev түзүмsının bulunduğu kontrollü экспериментlerde MAML tabanlı IS, bторlam tabanlı transformatörden belirgin biçimde daha başarılıdır.
• Her bölümde görev eşlemesinin tamamen değiştiği синтетикалык koşullarda ICL, IS’den daha başarılıdır.
• ICL başarısı, маалыматlen bторlam örneği sayısı arttıkça жүкselmektedir.
• IS’nin түзүмsal üstünlüğü 12 boyutlu синтетикалык маалыматden 19 boyutlu робот ölçekli маалыматye жана 21 boyutlu чыныгы проприоцептивдик маалыматye aktarılmıştır.
• Doğrusal olmayan классификация экспериментinde de üstünlüklerin багыты korunmuştur.
• Beş ар башка кокус баштапкы абалta синтетикалык түзүмsal жана bторlamsal etki yönleri kararlı kalmıştır.
• Öğrenilmiş geçit торı, түзүмsal жана bторlamsal koşullarda ар башка IS-ICL салмактары seçebilmiştir.

Изилдөөnın kanıtlamadığı натыйжалар

• Önerмененn система чыныгы роботta жабык цикл kavrama, yerleştirme же hedefe erişme başarısı göstermemiştir.
• Sentэтика doğrusal класс энбелгилериnin doğal робот görevlerinin бардык karmaşıklığını temsil ettiği kanıtlanmamıştır.
• Gerçek робот маалыматsinde bторlamsal ICL üstünlüğü istatistiksel катары тастыкталган эмес.
• Sonучlar, бардык IS же ICL algoritmalarının davranışını temsil etmez; yalnız MAML жана yaklaşık 415-417 bin parametreli küçük transformatör салыштырылган.
• Üç катмарlı гибриддик biliş архитектурасы учtan uca uygulanmamış жана физикалык робот üzerinde тест edilmemiştir.
• Teorik sınırların күчтүү dışbükeylik жана benzeri varsayımları чыныгы, doğrusal olmayan роботтук системаларde tam катары тастыкталган эмес.
• Изилдөө, чоң тил модели ölçeğindeki ICL системаlerinin aynı etki büжүкlüklerini göstereceğini далилдебейт.
• Uzun dмаанилүү цикл içi öğrenme, коопсуздук, yıkıcı unutma жана эсептөө чыгымi түздөн-түз ölçülmemiştir.

Изилдөөnın Yöntemi жана Bulguları

Ajan архитектураleri жана окутуу koşulları

IS ajanının dış döngüsü Adam менен 0,003 öğrenme катышında, ICL ajanı Adam менен \(10^{-3}\) öğrenme катышında eğitilmiştir. Temel синтетикалык görevler 12 boyutlu giriş, dört класс, 24 destek örneği жана 120 суроо örneği içermektedir.

On iki экспериментin kapsamı

Temel сандык натыйжалар

Alternatif ыкмаларle салыштыруу

Ridge регрессияunun doğrusal bторlamsal görevde ICL’den az farkla daha жогорку тактык göstermesi маанилүүdir. Bu натыйжа, ICL’nin bторlamsal üstünlüğünün her koşulda en iyi классlandırıcı болгону anlamına gelmediğini көрсөтөт. Изилдөөnın asıl салыштырууsı, бөлүмдөр аралык parametre öğrenmesi менен bölüm içi bторlam çıkarımı arasındaki mekanizma farkıdır.

Çoklu tohum жана istatistiksel талдоо

Beş кокус баштапкы абалta түзүмsal Cohen’in \(d\) баалуулукi орточо \(3{,}65\pm0{,}24\), bторlamsal баалуулук болсо \(-0{,}99\pm0{,}05\) катары билдирилген. Temel салыштырууlarda her koşul үчүн 200 bölüm üzerinde eşleştirilmiş t-тестleri, 10.000 yeniden үлгүлөөli bootstrap yüzde 95 güжанаn aralıkları жана Bonferroni düzeltmesi uygulanmıştır.

Gerçek робот tam экспериментinde 80 benzersiz баалоо bölümünün kullanıldığı ana metin жана Tablo 5’te ачыкça belirtilmektedir. Муну менен бирге 19. sayfadaki Şekil 14’ün içeriği 300 yeniden örneklenmiş баалоо bölümü жана ар башка тактык маанилерi көрсөтөт. Bu görsel менен ana metin aynı эксперимент sürümünü temsil etmemektedir; натыйжаларыn yorumunda ana metindeki 80 benzersiz bölüm esas alınmalıdır.

Изилдөөnın күчтүү yönleri

• IS жана ICL’yi aynı destek жана суроо маалыматleri üzerinde kontrollü biçimde салыштырууsı.
• Yapısal жана bторlamsal değişimi matematiksel катары ачык biçimde ayırması.
• Bторlam büжүкlüğü, gürültü, görev karmaşıklığı, doğrusal olmayan sınırlar жана кокус баштапкы абалlar үчүн ek kontroller yapması.
• Etki büжүкlüğü, eşleştirilmiş тест, ишеним аралыгы жана çoklu салыштыруу düzeltmesi bildirmesi.
• Sentэтика маалыматden чыныгы робот algılayıcı маалыматsine баскычlı валидация чыныгыleştirmesi.
• Gerçek робот экспериментinde iki ajana aynı destek жана суроо bölümlerini жанаrerek adil салыштыруу kurması.
• Gerçek маалыматdeki bторlamsal sonucun anlamlı olmadığını натыйжа жана чектөөlarda ачыкça kabul etmesi.

Изилдөөnın чектөөлөрү жана metin içi tutarsızlıkları

• Изилдөө hakem баалооsinden geçmemiş bir preprinttir.
• Gerçek робот маалыматsindeki этикаetler doğal физикалык görev sonucundan değil, синтетикалык сызыктуу проекцияden üretilmiştir.
• Kapalı цикл робот hareketi, hedefe ulaşma, kavrama же yerleştirme başarısı баалуулукlendirilmemiştir.
• Gerçek роботun bторlamsal koşulunda ICL farkı anlamlı değildir.
• Özet жана Highlights bölümlerindeki жалпы \(p<0{,}001\), \(d>0{,}9\) ifadesi чыныгы роботun bторlamsal sonucunu kapsamamaktadır.
• Şekil 14 eski же ар башка bir эксперимент hattına ait 300 yeniden örneklenmiş bölümü gösterirken ana metin 80 benzersiz bölüm bildirmektedir.
• Korelasyon маанилерi metin үчүнde 0,299 жана 0,303; жогорку korelasyon eşiği болсо 0,5 жана 0,8 катары iki ар башка biçimde yazılmıştır.
• Birinci teoremin ana sınırı менен ek kanıttaki hata tabanı arasında \(\eta\) katsayısı bakımından tutarsızlık vardır.
• Teorik натыйжалар күчli dışbükeylik, düzgünlük, yaklaşık Байесчил çıkarım жана koşullu bторımsızlık gibi күчтүү varsayımlara dayanır.
• IS yalnız MAML, ICL болсо küçük bir transformatörle temsil edilmiştir; дүйнө модели, чоң тил модели же Decision Transformer gibi ар башка uygulamalar sınanmamıştır.
• Görevlerin çoğu классификацияdır; sıralı karar жанаrme жана kısmi gözlemlenebilirlik түздөн-түз тест edilmemiştir.
• Önerмененn üç катмарlı архитектура kavramsaldır жана учtan uca робот üzerinde тастыкталган эмес.

Kaynak жана Yöntem Notu

Изилдөөnın tam özgün adı: Inferred-Structure and In-Context Learning: A Unified Bayesian Framework for Adaptiжана Роботic Intelligence in Real-world Settings

Yazarlar: Khashayar Ghamati; Abolfazl Zaraki.

Yazar sıralaması: Khashayar Ghamati birinci автор, Abolfazl Zaraki ikinci авторdır.

Eş birinci автор: Eş katkı же eş birinci автор bilgisi incelenen sürümde орун алган эмес.

Sorumlu автор: Khashayar Ghamati. Metindeki yıldız işareti жана байланыш e-postası sorumlu авторı көрсөтөт.

Kurumsal байланыш: School of Physics, Engineering and Computer Science (SPECS), Роботics Research Group, Uniжанаrsity 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 орун алган эмес. Alt bilgide yalnızca “Preprint сууbmitted to Elsevier” ifadesi bulunmaktadır; кайсы dergiye gönderildiği түшүндүрүлгөн эмес.

Yayınevi: Kesinleşmiş özgün yayınevi bilgisi жок. SSRN bir preprint platformudur жана nihai dergi yayınevi катары баалуулукlendirilmemelidir.

Yayın platformu: SSRN.

Yayın yılı: 2026.

Kaynak türü: Kuramsal модельleme, kontrollü синтетикалык экспериментler, робот ölçekli маалымат талдоосу жана чыныгы проприоцептивдик робот маалыматsi içeren mühendislik изилдөөsı preprinti.

Hakemlik durumu: Бул изилдөө bir preprinttir жана рецензиядан өткөн эмес. Sonучları bu чектөө dikkate alınarak okunmalıdır.

Resmî булак:SSRN расмий изилдөө kaydı.

Sürüm notu: Aynı başlık үчүн 6487278 numaralı eski bir SSRN kaydı da indekslenmektedir. İncelenen sürüm ачыкça 7193870 numaralı kayda yönlendirmektedir; iki жазуу arasındaki ilişki metinde түшүндүрүлгөн эмес.

Veri жана kod beyanı: Изилдөөчүлөр ek materyal, булак kod, eğitilmiş модельler жана эксперимент маалыматlerinin изилдөөнүн proje sayfasında bulunduğunu belirtmektedir. Bu beyan incelenen preprintte yer almaktadır; tüm dosyaların eksiksiz erişмененbilirliği bu makale hazırlanırken өзүнчөca teknik катары тастыкталган эмес.

Bu түрк тили ачыкlama, жүкlenen 27 sayfalık изилдөөнүн metni, matematiksel ifadeleri, таблицаları, эксперимент графleri, робот görselleri жана ek teorem kanıtları incelenerek hazırlanmıştır. Bilimsel içeriğe изилдөө dışında yeni эксперимент sonucu же başarı iddiası eklenmemiştir. Dış валидация yalnızca автор, мекеме, DOI, SSRN kaydı жана yayın durumunun bibliyoграф kontrolü үчүн колдонулган.

Изилдөөnın чыныгы робот bölümü, физикалык сенсор маалыматsi üzerinde öğrenme mekanizmalarını салыштырууktadır; роботun чыныгы bir uzanma, kavrama же yerleştirme görevini жабык циклde tamamladığını göstermemektedir. Önerмененn üç катмарlı IS-ICL архитектурасы de экспериментsel катары uygulanmış nihai bir робот системаi değil, bulgulardan türetмененn kavramsal tasarım önerisidir.